與文本無關(guān)的語種識(shí)別技術(shù)研究.pdf

1、隨著人與人之間交流方式的多樣化，不同語種間的溝通也出現(xiàn)的越來越頻繁。語種識(shí)別技術(shù)作為語音信號(hào)處理技術(shù)的一個(gè)分支，在近幾年也受到越來越多的關(guān)注和研究。主流的與文本無關(guān)的語種識(shí)別技術(shù)主要從基于聲學(xué)模型和基于音素序列模型的角度出發(fā)，并建立與之匹配的識(shí)別模型，主要有PRLM，GMM，SVM。傳統(tǒng)的研究方向也主要集中在對(duì)這些識(shí)別模型的核函數(shù)進(jìn)行優(yōu)化和改進(jìn)。本文的研究重點(diǎn)主要放在嘗試將流形學(xué)習(xí)的算法引入到語種識(shí)別的研究中，以解決降低特征參數(shù)維數(shù)，優(yōu)

2、化特征參數(shù)向量，消除冗余信息，節(jié)省計(jì)算時(shí)間和抑制文本信息對(duì)語種識(shí)別的影響，并使用支持向量機(jī)做基準(zhǔn)識(shí)別模型進(jìn)行對(duì)比。
　　本課題的主要貢獻(xiàn)在以下幾個(gè)方面：
　　1．本論文的第一個(gè)研究工作主要放在語種語音特征的分析上，針對(duì)不同語種之間的特點(diǎn)，提取出能代表語種信息的特征參數(shù)向量。
　　2．本論文的第二個(gè)研究工作主要在主成分分析(PCA)的全局最優(yōu)降維算法在語種識(shí)別鄰域中的應(yīng)用。PCA算法是一種保證均方誤差最小的前提下能對(duì)特征

3、參數(shù)向量做最優(yōu)降維處理的方法。通過將原始特征參數(shù)向量向低維空間的投影達(dá)到去除向量相關(guān)性和降維的目的。本論文通過實(shí)驗(yàn)也證明了主成分分析法運(yùn)用到語種識(shí)別技術(shù)的可行性。
　　3．本論文的第三個(gè)研究工作主要在局部保距投影(LPP)的保持局部鄰近關(guān)系的算法在語種識(shí)別技術(shù)中的應(yīng)用。并在LPP算法的基礎(chǔ)上，考慮到PCA沒有描述數(shù)據(jù)的局部信息和LPP算法沒有考慮類別信息的缺陷，提出了一種改進(jìn)的基于語種類別屬性約束的局部保距投影( LAC-LPP)