基于深度學(xué)習(xí)的與文本無(wú)關(guān)話(huà)者確認(rèn)研究.pdf

1、隨著科學(xué)技術(shù)的不斷進(jìn)步，電話(huà)已經(jīng)成為人們?nèi)粘Ｉ钪胁豢苫蛉钡囊徊糠?。在身份認(rèn)證技術(shù)研究領(lǐng)域，越來(lái)越多的研究人員開(kāi)始關(guān)注如何使用電話(huà)語(yǔ)音進(jìn)行身份認(rèn)證，因?yàn)橄鄬?duì)于其它身份認(rèn)證技術(shù)來(lái)說(shuō)，使用電話(huà)語(yǔ)音進(jìn)行身份認(rèn)證所需的設(shè)備簡(jiǎn)單、成本低、易獲取，更重要的是在使用電話(huà)語(yǔ)音進(jìn)行身份認(rèn)證的過(guò)程中，用戶(hù)不需要接觸設(shè)備，只需要簡(jiǎn)單的說(shuō)一句話(huà)，便可完成認(rèn)證，大大提高了用戶(hù)的接受率。另外，說(shuō)話(huà)人確認(rèn)技術(shù)還是語(yǔ)音識(shí)別技術(shù)研究領(lǐng)域的一個(gè)重要研究方向，所以說(shuō)話(huà)人確認(rèn)

2、技術(shù)的研究不僅具有重要的理論研究意義而且還具有廣泛的應(yīng)用前景。
　　目前在說(shuō)話(huà)人確認(rèn)研究領(lǐng)域中，主流的說(shuō)話(huà)人建模方法都是基于概率統(tǒng)計(jì)模型的，其中最具代表性的概率統(tǒng)計(jì)說(shuō)話(huà)人模型當(dāng)屬高斯混合模型(GaussianMixture Model，GMM)。高斯混合模型采用非常多的高斯概率密度函數(shù)分量，對(duì)說(shuō)話(huà)人的語(yǔ)音特征分布進(jìn)行了較好的描述，從而取得了不錯(cuò)的效果;但說(shuō)話(huà)人確認(rèn)是一個(gè)二元分類(lèi)問(wèn)題，而高斯混合模型只是一種概率生成性模型，其區(qū)分能力

3、非常有限，所以需要尋找同時(shí)具有強(qiáng)大表征能力和很強(qiáng)區(qū)分能力的模型進(jìn)行說(shuō)話(huà)人建模。近年來(lái)，深度學(xué)習(xí)（Deep Learning，DL）理論在模式識(shí)別領(lǐng)域掀起了一股非常大的研究熱潮，其出發(fā)點(diǎn)是想構(gòu)建一個(gè)復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型來(lái)模擬人腦的思維方式，然后對(duì)數(shù)據(jù)進(jìn)行分析和處理。目前深度學(xué)習(xí)理論所依托的實(shí)現(xiàn)載體是深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）。深度神經(jīng)網(wǎng)絡(luò)憑借多隱層的結(jié)構(gòu)特點(diǎn)，使得其具有很好的表征能力和區(qū)分能力，目前在模式

4、識(shí)別的諸多研究方向都取得了成功應(yīng)用。本文主要研究?jī)?nèi)容就是將具有強(qiáng)大表征能力及區(qū)分能力的深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于說(shuō)話(huà)人確認(rèn)系統(tǒng)中進(jìn)行說(shuō)話(huà)人建模，構(gòu)建基于深度神經(jīng)網(wǎng)絡(luò)的話(huà)者確認(rèn)系統(tǒng)，針對(duì)建模過(guò)程中深度神經(jīng)網(wǎng)絡(luò)輸入特征的選擇、網(wǎng)絡(luò)結(jié)構(gòu)以及網(wǎng)絡(luò)訓(xùn)練方法等關(guān)鍵問(wèn)題進(jìn)行了深入的研究，并對(duì)多種基于深度神經(jīng)網(wǎng)絡(luò)的說(shuō)話(huà)人確認(rèn)系統(tǒng)的結(jié)構(gòu)及性能進(jìn)行對(duì)比。
　　首先，介紹了目前說(shuō)話(huà)人確認(rèn)技術(shù)研究領(lǐng)域最為經(jīng)典的概率統(tǒng)計(jì)模型—高斯混合模型，并對(duì)其原理進(jìn)行了詳細(xì)闡述

5、。針對(duì)其應(yīng)用于說(shuō)話(huà)人確認(rèn)系統(tǒng)中使用的GMM-UBM結(jié)構(gòu)進(jìn)行了深入的討論，并對(duì)GMM-UBM說(shuō)話(huà)人模型訓(xùn)練過(guò)程中使用的MAP算法進(jìn)行介紹，然后通過(guò)實(shí)驗(yàn)分析了混合度的選取對(duì)GMM-UBM說(shuō)話(huà)人確認(rèn)系統(tǒng)整體性能的影響，同時(shí)構(gòu)建了本文研究所需的基線(xiàn)系統(tǒng)。
　　接著，對(duì)深度神經(jīng)網(wǎng)絡(luò)相關(guān)內(nèi)容展開(kāi)了討論，介紹了深度神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程，詳細(xì)闡述了深度神經(jīng)網(wǎng)絡(luò)的原理及其訓(xùn)練算法，并對(duì)深度神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中常出現(xiàn)的問(wèn)題進(jìn)行了重點(diǎn)討論。本文針對(duì)基于G

6、MM-UBM的說(shuō)話(huà)人模型區(qū)分能力差，表征能力不足等問(wèn)題，引入了深度神經(jīng)網(wǎng)絡(luò)進(jìn)行說(shuō)話(huà)人建模，構(gòu)建了基于DNN-SPK說(shuō)話(huà)人確認(rèn)系統(tǒng)。為了進(jìn)一步的減弱語(yǔ)音倒譜中語(yǔ)義信息的干擾，采用GMM對(duì)語(yǔ)音的原始倒譜特征進(jìn)行聚類(lèi)變換，抽取原始倒譜特征的統(tǒng)計(jì)特征參數(shù)，從而進(jìn)一步突顯說(shuō)話(huà)人的個(gè)性信息，然后將其與深度神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)建基于GMM-DNN說(shuō)話(huà)人確認(rèn)系統(tǒng)，大大提高了確認(rèn)的效果。
　　最后，語(yǔ)音作為一種時(shí)序信號(hào)，當(dāng)前時(shí)刻的信息在一定程度上是受

7、其歷史信息影響的。采用DNN進(jìn)行說(shuō)話(huà)人建模時(shí)，DNN對(duì)語(yǔ)音歷史信息的記憶是非常有限的，所以引入了能夠記住長(zhǎng)歷史信息的長(zhǎng)短時(shí)記憶(Long Short TermMemory，LSTM)模型，構(gòu)建了基于LSTM-SPK說(shuō)話(huà)人確認(rèn)系統(tǒng)，針對(duì)采用LSTM進(jìn)行說(shuō)話(huà)人建模過(guò)程中，模型結(jié)構(gòu)的選擇以及如何選取輸入特征參數(shù)和輸出說(shuō)話(huà)人標(biāo)簽等關(guān)鍵問(wèn)題進(jìn)行詳細(xì)討論。另外，針對(duì)LSTM計(jì)算復(fù)雜度比較高的問(wèn)題，探討了采用LSTMP模型替換LSTM模型進(jìn)行說(shuō)話(huà)人建