與文本無(wú)關(guān)的說(shuō)話人識(shí)別系統(tǒng)的研究及DSP實(shí)現(xiàn).pdf

1、說(shuō)話人識(shí)別技術(shù)是根據(jù)包含在語(yǔ)音信號(hào)中特有的個(gè)體信息,以聲音作為生物特征,自動(dòng)識(shí)別說(shuō)話人身份的過(guò)程,它被認(rèn)為是最自然的生物認(rèn)證技術(shù),具有廣泛的應(yīng)用前景。與文本無(wú)關(guān)的說(shuō)話人識(shí)別具有用戶使用方便、可應(yīng)用范圍較寬等優(yōu)點(diǎn),是當(dāng)前說(shuō)話人識(shí)別技術(shù)的研究重點(diǎn)。
　　本文對(duì)語(yǔ)音信號(hào)的預(yù)處理、特征提取及識(shí)別方法進(jìn)行了深入的研究,并對(duì)基于DSP的說(shuō)話人實(shí)時(shí)識(shí)別系統(tǒng)進(jìn)行了設(shè)計(jì)。
　　在語(yǔ)音信號(hào)的預(yù)處理及特征提取部分,引入小波變換實(shí)現(xiàn)了基于小波分析的

2、語(yǔ)音端點(diǎn)檢測(cè)。研究了說(shuō)話認(rèn)識(shí)別中的主流特征參數(shù)線性預(yù)測(cè)倒譜系數(shù)(LPCC)和美爾頻率倒譜系數(shù)(MFCC),在此基礎(chǔ)上使用了一種二次特征提取方法,通過(guò)綜合運(yùn)用加權(quán)、微分、組合、篩選等,進(jìn)一步挖掘說(shuō)話人語(yǔ)音背后的隱性個(gè)性差異。
　　在識(shí)別方法上,研究了高斯混合模型(GMM)和支持向量機(jī)(SVM)在說(shuō)話人識(shí)別中的應(yīng)用,并對(duì)GMM中期望最大化(EM)算法進(jìn)行了改進(jìn)。結(jié)合GMM和SVM構(gòu)建了SVM-GMM的混合模型。比較分析了不同參數(shù)、不同