MMCE算法在因子分析概率統(tǒng)計(jì)模型中的應(yīng)用.pdf

1、在說話人識別領(lǐng)域中,基于模型的方法是最有效的,概率統(tǒng)計(jì)模型屬于該類方法,GMM和HMM都是典型的概率統(tǒng)計(jì)模型,目前,受到十分廣泛的研究,具有越來越重要的研究意義和實(shí)用價(jià)值。
　　近年,說話人概率統(tǒng)計(jì)模型成為研究領(lǐng)域的一大熱點(diǎn)。然而,基于這類模型建立的說話人識別系統(tǒng)在應(yīng)用于實(shí)際環(huán)境中時(shí)還存在很多難題:特征矢量存在幀內(nèi)相關(guān);大文本情況下模型參數(shù)過多且不能很好分類;計(jì)算復(fù)雜系統(tǒng)開銷大以及訓(xùn)練速度慢;訓(xùn)練算法分類優(yōu)化程度不夠以及不靈活等。

2、針對上述問題,開展了下述工作:
　　在對說話人識別最常用的兩種概率統(tǒng)計(jì)模型:高斯混合模型(GMM)和隱馬爾可夫模型(HMM)進(jìn)行綜述的基礎(chǔ)上,對其中基本算法的優(yōu)缺點(diǎn)進(jìn)行了深入的研究和分析。詳細(xì)分析最小分類錯(cuò)誤算法(MCE)的優(yōu)缺點(diǎn),針對現(xiàn)在GMM和HMM訓(xùn)練中普遍用到的MCE算法存在的問題,嘗試性地提出相應(yīng)的改進(jìn)算法MMCE,即通過一個(gè)有序排列組來代替損失函數(shù)的重復(fù)判別,以便增加訓(xùn)練靈活性,避免復(fù)雜而重復(fù)的比較計(jì)算。
　　對

3、MMCE算法的實(shí)現(xiàn)和參數(shù)調(diào)解過程進(jìn)行推導(dǎo),論述因子分析方法與GMM/HMM結(jié)合成因子分析高斯混合(FAGMM)和因子分析隱馬爾可夫模型(FAHMM)的過程和概念;推導(dǎo)出因子分析模型的EM訓(xùn)練算法和MMCE訓(xùn)練算法;實(shí)現(xiàn)了MMCE和FAGMM/FAHMM的結(jié)合,于是就形成新的FAGMM+MMCE和FAHMM+MMCE模型。
　　基于50個(gè)人語音庫的說話人實(shí)驗(yàn)表明:MMCE算法較MCE和EM訓(xùn)練時(shí),模型的識別性能更好,訓(xùn)練速度更快。另