基于PCA與LDA的說話人識(shí)別研究.pdf

1、隨著信息技術(shù)的發(fā)展,人們的交互手段越來越多樣化,對(duì)身份鑒別的要求隨之越來越高.生物認(rèn)證技術(shù)基于人們自身的生理和行為特征進(jìn)行身份鑒別,以其獨(dú)特的優(yōu)勢(shì),日益顯示出它的價(jià)值.說話人識(shí)別技術(shù)被認(rèn)為是最自然的生物認(rèn)證技術(shù),它是一項(xiàng)根據(jù)語音中反映的說話人生理和行為特征的語音參數(shù),自動(dòng)識(shí)別說話人身份的技術(shù).近年來,說話人識(shí)別技術(shù)已成為研究領(lǐng)域的一大熱點(diǎn).然而,說話人識(shí)別技術(shù)應(yīng)用于實(shí)際環(huán)境,還存在著很多難點(diǎn),實(shí)時(shí)性不夠就是其中之一.在詳細(xì)分析說話人識(shí)別

2、的最新的研究進(jìn)展和主要特點(diǎn)的基礎(chǔ)上,該文試圖用多元統(tǒng)計(jì)分析中的兩種方法:主成分分析和線性判別分析解決這個(gè)問題.該文的第一個(gè)工作是研究了主成分分析(PCA)的最優(yōu)降維性質(zhì)在說話人識(shí)別中的應(yīng)用.在說話人識(shí)別系統(tǒng)中,通常訓(xùn)練說話人模型需要很長的時(shí)間,特別當(dāng)說話人特征的維數(shù)很高時(shí).主成分分析是一種在均方誤差前提下最優(yōu)的線性降維方法,通過將原始特征向量向更小的子空間上投影,主成分分析達(dá)到了降維和去冗余的目的.因此,經(jīng)過降維,損失的特征信息最少,在

3、保證識(shí)別性能的同時(shí),后續(xù)階段的計(jì)算開銷將會(huì)大大減少.據(jù)此,該文將主成分分析方法應(yīng)用到說話人識(shí)別中,并提出了兩種新的基于PCA特征變換的說話人鑒別系統(tǒng).實(shí)驗(yàn)結(jié)果顯示,主成分分析在說話人特征的降維和降噪方面都取得了不錯(cuò)的效果.該文的第二個(gè)工作是研究了線性判別分析(LDA)的區(qū)分性變換在說話人識(shí)別中的應(yīng)用.線性判別分析在形式上同主成分分析很相似,但兩者在原理上有本質(zhì)的差別.主成分分析關(guān)注的是尋找能最高效表達(dá)原數(shù)據(jù)信息的方向,而線性判別分析的重

4、心則在尋找最能區(qū)分不同類數(shù)據(jù)的方向.線性判別分析方法使得類間距離與類內(nèi)距離的比值最大,所以,經(jīng)過線性判別分析變換,所獲得的新的數(shù)據(jù)將達(dá)到最大的區(qū)分性.該文將線性判別分析方法應(yīng)用到說話人識(shí)別中,以獲得更具區(qū)分性的說話人特征,并提出了一種新的基于LDA特征變換的說話人鑒別系統(tǒng).該系統(tǒng)同樣在無噪語音和有噪語音的情況下,都取得了很好的效果;在某些情況下,識(shí)別性能還優(yōu)于基于PCA變換的系統(tǒng).該文的第三個(gè)工作是研究了主成分分析方法的分類性質(zhì).現(xiàn)有的

5、說話人分類方法,它們或者雖然取得了較好的識(shí)別率,但計(jì)算復(fù)雜度很高;或者雖然計(jì)算速度較快,但在說話人人數(shù)增多時(shí),識(shí)別率會(huì)急劇下降.根據(jù)主成分分析的定義,它本質(zhì)上具有分類的能力.在該文中,我們研究了主成分分析方法的分類依據(jù),并提出了一種基于主成分子空間的新的PCA分類器.我們將其同另一種PCA分類器進(jìn)行決策融合,獲得混合PCA分類器,以加強(qiáng)分類能力.我們將這三種分類器應(yīng)用到說話人識(shí)別中,并取得了令人鼓舞的效果;復(fù)雜度分析驗(yàn)證了PCA分類器在