聲紋識(shí)別系統(tǒng)與模式匹配算法研究.pdf

1、基于生物特征的身份識(shí)別技術(shù)是當(dāng)前國際上的重點(diǎn)研究內(nèi)容，聲紋識(shí)別是通過語音識(shí)別說話人的身份，在系統(tǒng)安全認(rèn)證、司法鑒定、金融服務(wù)以及電子偵聽等領(lǐng)域有著廣泛的應(yīng)用價(jià)值，而且比起其他生物特征識(shí)別技術(shù)如指紋識(shí)別、臉部識(shí)別等，更加經(jīng)濟(jì)簡便，特別是對于遠(yuǎn)距離身份確認(rèn)更為有效。 本文在對現(xiàn)有聲紋識(shí)別技術(shù)進(jìn)行深入研究的基礎(chǔ)上，選取目前應(yīng)用最廣泛、有效的語音信號(hào)特征提取方案——美爾倒頻譜系數(shù)(MFCC)和語者數(shù)學(xué)模型——高斯混合模型(GMM)，構(gòu)架

2、了識(shí)別系統(tǒng)。對于語者辨識(shí)，語者特定模型直接用語者的語料借助于期望值最大化算法(EM)來訓(xùn)練，辨識(shí)算法采用了最大事后概率法則(MAP)；而對于語者確認(rèn)，為了減少語者自己語音本身的變異性，只留下語者間彼此的變異性，在建立語者特定模型時(shí)，先訓(xùn)練一個(gè)語者不特定模型，然后基于一種貝葉斯語者調(diào)適法的原理用語者的訓(xùn)練語料將語者不特定模型調(diào)適成語者特定模型，后端匹配則結(jié)合語者特定模型與預(yù)先訓(xùn)練好的背景模型(UBM)來建立一個(gè)對數(shù)相似值比偵測器，利用它求

3、取語者分?jǐn)?shù)并根據(jù)門檻值得出最終的結(jié)果。 本文重點(diǎn)研究了后端模式匹配算法，在模型的訓(xùn)練過程中引入了模糊C-均值聚類算法(FCM)，使識(shí)別效果獲得了明顯改進(jìn)。這種算法在聚類方面具有高魯棒性，將其引入到EM訓(xùn)練算法中代替常用的硬聚類算法來尋求模型的初始點(diǎn)，可使GMM模型收斂至一個(gè)更好的局部最優(yōu)點(diǎn)。最終的試驗(yàn)結(jié)果證明，采用上述各項(xiàng)方法構(gòu)造的聲紋識(shí)別系統(tǒng)具有優(yōu)越的識(shí)別性能，其中語者確認(rèn)系統(tǒng)平均可達(dá)到4.7％的相等錯(cuò)誤率(EER)；而改進(jìn)的