說話人辨認(rèn)中的特征參數(shù)提取和魯棒性技術(shù)研究.pdf

1、語音是人類獲取信息的主要來源之一，也是最方便、最有效、最自然的交流工具。語音識(shí)別是研究使機(jī)器能準(zhǔn)確地聽出人的語音內(nèi)容的問題，其目的是方便人與機(jī)器的交流。說話人識(shí)別技術(shù)是語音識(shí)別的一種特殊形式，其目的不是識(shí)別說話人講的內(nèi)容，而是識(shí)別說話人是誰。說話人識(shí)別技術(shù)在近三十多年的時(shí)間里取得了很大的進(jìn)步，這種技術(shù)的應(yīng)用為人類的日常生活帶來很大的便利。但是，隨著說話人識(shí)別技術(shù)實(shí)用化的不斷深入，不同應(yīng)用領(lǐng)域?qū)υ摷夹g(shù)的要求越來越高。一方面，說話人發(fā)音的多

2、變性，要求提取適合說話人識(shí)別的特征以保證系統(tǒng)的性能；另一方面，噪聲環(huán)境、訓(xùn)練與測(cè)試數(shù)據(jù)的時(shí)長(zhǎng)以及通信信道的失真等問題都嚴(yán)重影響到說話人識(shí)別系統(tǒng)在實(shí)際應(yīng)用中的性能。本論文針對(duì)文本無關(guān)的說話人辨認(rèn)任務(wù)，在說話人個(gè)性特征提取和噪聲魯棒性技術(shù)兩個(gè)方面進(jìn)行了研究，主要內(nèi)容包括：
　　 1.提出基于特征變換和模糊最小二乘支持向量機(jī)的辨認(rèn)算法。針對(duì)最小二乘支持向量機(jī)模型在語音數(shù)據(jù)大樣本輸入下的局限性，一方面對(duì)傳統(tǒng)的梅爾倒譜特征MFCC進(jìn)行基于

3、高斯混合模型的特征變換，解決訓(xùn)練最小二乘支持向量機(jī)的過程中需要求解的線性方程組的變量數(shù)目與特征數(shù)量緊密相關(guān)的問題；另一方面，通過引入模糊隸屬度函數(shù)，處理了最小二乘支持向量機(jī)從二分類擴(kuò)展到說話人辨認(rèn)的多分類時(shí)存在的不可分?jǐn)?shù)據(jù)問題。高斯混合模型作為一種經(jīng)典的生成式模型，不但能有效減少數(shù)據(jù)量，起到壓縮數(shù)據(jù)的作用，而且由于聚類變換后的結(jié)果是高斯混合模型的均值矢量集，能夠很好地代表說話人的特征，起到突出說話人信息的作用?；谔卣髯儞Q和模糊最小二乘

4、支持向量機(jī)的辨認(rèn)算法結(jié)合了高斯混合模型在擬合數(shù)據(jù)方面的優(yōu)勢(shì)和最小二乘支持向量機(jī)在分類辨別方面的優(yōu)勢(shì)，從而改善系統(tǒng)系統(tǒng)的性能。
　　 2.提出基于高斯混合模型的感知特征補(bǔ)償變換的抗噪聲算法。從人類聽覺感知特性出發(fā)，基于感知線性預(yù)測(cè)模型從不同層次模擬了人耳的聽覺特性，從語音的頻譜細(xì)節(jié)考慮，去除了會(huì)引起說話人信息平滑的臨界帶頻譜分析，提取改進(jìn)的感知對(duì)數(shù)面積比系數(shù)MPLAR作為說話人特征，具有良好的可分性；并在此基礎(chǔ)上，根據(jù)說話人識(shí)別的

5、聲學(xué)特性，從匹配得分的整體考慮，對(duì)模型輸出的似然得分引入非線性變換，拉大目標(biāo)模型與非目標(biāo)模型的得分比，拉近同一模型各幀得分值，使得各模型的得分值不僅與當(dāng)前時(shí)刻的似然概率有關(guān)，還與之前的K個(gè)時(shí)刻的似然概率有關(guān)，解決了MPLAR在不同類型噪聲條件下的抗噪性能問題?；诟兄卣骱湍Ｐ脱a(bǔ)償?shù)恼f話人辨認(rèn)算法不僅提供了可分性更好的特征，并且在模型匹配階段從整體得分的統(tǒng)計(jì)特性出發(fā)，得到穩(wěn)定的模型得分，增強(qiáng)了系統(tǒng)在噪聲環(huán)境下的識(shí)別能力。
　　

6、3.提出基于自適應(yīng)頻率規(guī)整的魯棒性辨認(rèn)算法。經(jīng)典的梅爾倒譜特征和感知線性預(yù)測(cè)特征從人類的聽覺感知機(jī)理出發(fā)，模擬了人類聽覺系統(tǒng)對(duì)聲音頻率的感知特性，改進(jìn)了說話人的識(shí)別性能，但是這種處理方式并沒有對(duì)語義特征和說話人個(gè)性特征區(qū)別對(duì)待，而是在特征提取階段籠統(tǒng)地降低了高頻信息的比重。自適應(yīng)頻率規(guī)整算法是基于說話人信息在不同頻帶呈不均勻分布的原理，從語音生成的生理學(xué)角度分析人類在發(fā)音過程中的結(jié)構(gòu)變化，從中獲取攜帶說話人信息的生理特征，進(jìn)而從頻譜分析

7、的層次對(duì)不同頻帶對(duì)說話人信息的貢獻(xiàn)進(jìn)行量化，指導(dǎo)設(shè)計(jì)了與Mel頻率尺度不同的自適應(yīng)頻率尺度變換，在說話人信息貢獻(xiàn)大的區(qū)域分配的濾波器個(gè)數(shù)增多，帶寬變小，頻率分辨率提高，而貢獻(xiàn)小的區(qū)域分配的濾波器個(gè)數(shù)減少，帶寬變大，頻率分辨率降低，從而進(jìn)行自適應(yīng)的頻譜濾波，提取區(qū)分性特征DFCC。并且針對(duì)應(yīng)用到實(shí)際使用環(huán)境時(shí)存在的訓(xùn)練語音與測(cè)試語音失配的問題，對(duì)語音頻譜進(jìn)行逐幀逐頻率點(diǎn)的預(yù)增強(qiáng)處理，去除噪聲的干擾，進(jìn)一步提高系統(tǒng)的魯棒性。
　　

8、4.提出基于漢語元音映射的說話人辨認(rèn)方法。該方法從漢語語音的特點(diǎn)出發(fā)，對(duì)基于漢語的說話人識(shí)別進(jìn)行研究。由于漢語具有相對(duì)穩(wěn)定的音節(jié)結(jié)構(gòu)，并且其中的元音部分占據(jù)了主要的能量和時(shí)長(zhǎng)，基于此，從漢語語音的特點(diǎn)出發(fā)，對(duì)漢語拼音的結(jié)構(gòu)、發(fā)音特點(diǎn)進(jìn)行分析，并且通過元音頻譜對(duì)比、音素滑動(dòng)分析、韻母分解實(shí)驗(yàn)和共振峰分析等，從短時(shí)幀角度將韻母中的元音部分分解為單元音音素的組合，結(jié)合大量語音學(xué)知識(shí)構(gòu)建了漢語元音映射表，通過漢語元音映射，能夠有效地分離語音信號(hào)