基于高斯混合模型的與文本無(wú)關(guān)的說(shuō)話人識(shí)別算法的改進(jìn).pdf

1、語(yǔ)音是人的自然屬性，每個(gè)人的語(yǔ)音都帶有強(qiáng)烈的個(gè)人色彩，這使得通過(guò)分析語(yǔ)音信號(hào)來(lái)識(shí)別說(shuō)話人成為可能，說(shuō)話人識(shí)別具有廣泛的應(yīng)用前景。本文主要討論了說(shuō)話人識(shí)別的特征參數(shù)提取、說(shuō)話人識(shí)別系統(tǒng)組成、基于矢量量化(VectorQuantizatioN,VQ)的說(shuō)話人識(shí)別方法及其改進(jìn)方法、基于高斯混合模型(GaussianMixture Model，GMM)的說(shuō)話人識(shí)別方法及其改進(jìn)方法，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了討論。
　　 為了與GMM算法的識(shí)別結(jié)

2、果進(jìn)行對(duì)比，本文首先對(duì)VQ方法作了討論，在訓(xùn)練VQ碼書(shū)的傳統(tǒng)的LBG算法基礎(chǔ)上應(yīng)用粒子群優(yōu)化算法(Particle SwarmOptimizatioN,PSO)進(jìn)行改進(jìn)，得到PSO-LBG算法。另外，本文從兩個(gè)方面改進(jìn)了傳統(tǒng)的GMM算法，分別是基于能量分類(lèi)的GMM方法(Power ClassifiedGMM，C-GGMM)和基于特征空間分類(lèi)的GMM方法(Feature Space ClassifiedGMM.F-GMM)。
　　

3、 PSO-LBG方法的原理就是利用PSO算法產(chǎn)生初始碼書(shū)，然后根據(jù)PSO算法中的迭代公式產(chǎn)生新的解（即新的碼書(shū)），對(duì)該新解利用LBG算法進(jìn)行優(yōu)化，將優(yōu)化后得到的結(jié)果再輸入到PSO算法中產(chǎn)生新解，直到產(chǎn)生足夠好的碼書(shū)為止。
　　 C-GMM方法是根據(jù)語(yǔ)音幀能量對(duì)語(yǔ)音數(shù)據(jù)進(jìn)行分類(lèi)，在抗噪性能方面有著明顯的優(yōu)勢(shì)，并且在信噪比較低的情況下系統(tǒng)的魯棒性較好；F-GMM方法在特征空間對(duì)語(yǔ)音數(shù)據(jù)進(jìn)行分類(lèi)，描述說(shuō)話人個(gè)性特征的信息比較豐富，在信