基于神經(jīng)網(wǎng)絡(luò)的聲紋識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn).pdf

1、聲紋識(shí)別又稱說話人識(shí)別(Speaker Recognition, SR),是近年來興起的一種生物識(shí)別技術(shù),聲紋識(shí)別以其獨(dú)特的方便性、經(jīng)濟(jì)性和準(zhǔn)確性等優(yōu)勢受到世人矚目。近年來,隨著科學(xué)技術(shù)的發(fā)展,聲紋識(shí)別技術(shù)已經(jīng)得到了極大的發(fā)展,它在公安偵察、聲控系統(tǒng)、醫(yī)療診斷、電子金融等行業(yè)和領(lǐng)域有著極其廣闊的市場應(yīng)用前景。聲紋識(shí)別根據(jù)語音波形中反映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。與語音識(shí)別不同,聲紋識(shí)別技術(shù)并不注意語音信號(hào)中的語義

2、內(nèi)容,而是希望從語音信號(hào)中提取出個(gè)人的信息特征。聲紋識(shí)別有幾個(gè)關(guān)鍵技術(shù)：首先是特征選取的問題,從聲學(xué)或者統(tǒng)計(jì)學(xué)的角度從聲音信號(hào)中提取某些特征參數(shù),用這些特征參數(shù)來描述說話人的聲音特征。其次是識(shí)別模型,用機(jī)器學(xué)習(xí)模型去學(xué)習(xí)、記憶說話人特征,從而達(dá)到識(shí)別的目的。本文系統(tǒng)闡述了聲紋識(shí)別技術(shù)的原理與一般流程,并重點(diǎn)研究了：1、聲紋識(shí)別系統(tǒng)的語音特征參數(shù)提取。詳細(xì)闡述了聲道模型、線性預(yù)測編碼(LPC)分析、LPC倒譜系數(shù)、Mel倒譜系數(shù)的求解；2

3、、聲紋識(shí)別的識(shí)別方法和模型。重點(diǎn)闡述了幾種經(jīng)典的主要聲紋識(shí)別模型,包括隱馬爾可夫模型(HMM)、高斯混合模型(GMM)、矢量量化模型(VQ)、人工神經(jīng)網(wǎng)絡(luò)及支持向量機(jī)(SVM)等。基于基本聲紋識(shí)別理論和技術(shù)的研究,本文基于線性倒譜系數(shù)(LPCC)和Mel倒譜系數(shù)(MFCC)兩種主要語音特征參數(shù),采用人工神經(jīng)網(wǎng)絡(luò)作為識(shí)別模型,研究設(shè)計(jì)了一個(gè)聲紋識(shí)別的原型系統(tǒng)。MFCC是目前使用最廣泛的語音特征之一,具有計(jì)算簡單、區(qū)分能力好等突出的優(yōu)點(diǎn)；L

4、PCC參數(shù)則具有計(jì)算高效的優(yōu)點(diǎn),并且比較徹底地去掉了語音產(chǎn)生過程中的激勵(lì)信息,主要反映了聲道響應(yīng),往往只要十幾個(gè)倒譜系數(shù)就能較好地描述語音信號(hào)的共振峰特性,在聲紋識(shí)別中取得了較好的效果,因而本文將LPCC和MFCC參數(shù)作為研究和選取的主要特征參數(shù)。神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化是神經(jīng)網(wǎng)絡(luò)技術(shù)研究與應(yīng)用的關(guān)鍵,目前一般的研究大多采用遺傳算法(GA)或者BP算法等進(jìn)行網(wǎng)絡(luò)參數(shù)的優(yōu)化,本文將粒子群優(yōu)化算法(PSO)應(yīng)用于聲紋識(shí)別神經(jīng)網(wǎng)絡(luò)。PSO是一種群智