信道魯棒的文本無關說話人識別及應用.pdf

1、由于信息安全問題的不斷涌現(xiàn)，在公共安全、金融、商業(yè)等領域，基于生物特征認證技術的產品需求逐漸膨脹。說話人識別作為唯一適合遠程認證的技術，逐漸被各個領域所接受，并開始得到應用。但實用系統(tǒng)中，各式各樣的語音采集設備與傳輸信道差異，使得訓練語音與測試語音之間存在信道失配的情況，導致說話人識別性能急劇下降。這便是說話人識別中的跨信道問題，它也是影響說話人識別性能最重要的因素之一。因此，如何在最大程度上降低跨信道對識別性能的影響，將是本課題的研究

2、重點。
　　本文從特征域、模型域及得分域這三個層面，采用一系列行之有效的算法，降低跨信道對說話人識別的影響，并嘗試將遷移學習用于說話人識別中，并將其與傳統(tǒng)的跨信道算法結合，以進一步提升說話人識別系統(tǒng)的性能。
　　1.在特征域上，分別驗證有無特征彎折對于各系統(tǒng)的性能影響;在模型域上，將有害因子映射(NAP)與支持向量機(SVM)結合、潛在因子分析(LFA)與UBM-GMM結合來降低跨信道測試對識別的影響;得分域上，采取T-no

3、rm后，進一步提高跨信道環(huán)境下的說話人識別準確率。
　　2.基于遷移學習思想，分別將稀疏表示和無監(jiān)督遷移分量分析用于說話人識別。稀疏表示利用UBM-GMM構建高斯超向量GSV來構造完備字典并通過L1范式最小化來求解識別結果;無監(jiān)督遷移分量分析解決目標域數(shù)據(jù)缺乏而源域數(shù)據(jù)充足情況下的說話人識別問題，訓練使源域與目標域差異最小的子空間，在最大程度上降低跨信道因素。將傳統(tǒng)的跨信道算法，如有害因子映射、潛在因子分析，與稀疏表示和無監(jiān)督遷移