版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、說(shuō)話人識(shí)別技術(shù)是生物認(rèn)證技術(shù)的一個(gè)范疇,由于語(yǔ)音采集容易、經(jīng)濟(jì)性高等優(yōu)點(diǎn),使得說(shuō)話人識(shí)別成為生物識(shí)別領(lǐng)域上研究的一個(gè)焦點(diǎn)。本論文首先討論了端點(diǎn)檢測(cè)以及特征提取的方法,然后在VQ的基礎(chǔ)上提出了加權(quán)FSVQ,并將其與SVM融合進(jìn)行說(shuō)話人識(shí)別,取得了一定的研究成果。
一些端點(diǎn)檢測(cè)技術(shù)包括倒譜特征,信息熵,譜熵等對(duì)孤立詞語(yǔ)音的端點(diǎn)檢測(cè)都能達(dá)到很好的效果,但是說(shuō)話人識(shí)別中用到的更多的是連續(xù)語(yǔ)音,實(shí)驗(yàn)結(jié)果顯示,短時(shí)能量和過(guò)零率對(duì)連續(xù)語(yǔ)
2、音的端點(diǎn)檢測(cè)更為有效。這主要是因?yàn)槎虝r(shí)能量和過(guò)零率綜合考慮了語(yǔ)音的能量和頻率。
矢量量化作為一種比較常用的說(shuō)話人識(shí)別方法,雖然在編碼率較低的情況下,其識(shí)別率并不高,但是其訓(xùn)練速度快。因此,本論文為了提高矢量量化在低編碼率情況下的識(shí)別率,提出了加權(quán)FSVQ。加權(quán)FSVQ認(rèn)為任一時(shí)刻系統(tǒng)都處,于一個(gè)特定的狀態(tài),當(dāng)前系統(tǒng)的狀態(tài)是由前一時(shí)刻的語(yǔ)音幀決定的。由于考慮到了語(yǔ)音信號(hào)幀間的關(guān)聯(lián)性,使得加權(quán)FSVQ相比傳統(tǒng)VQ有著更高的識(shí)別
3、率。實(shí)驗(yàn)證明該方法相對(duì)于傳統(tǒng)矢量量化在識(shí)別率上有一定的提高,特別是在碼字較少時(shí)(少于8),識(shí)別率有l(wèi)O%以上的提高。
對(duì)加權(quán)FSVQ的加權(quán)系數(shù)進(jìn)行探討是本論文的另外一個(gè)重點(diǎn),對(duì)比分析了按貢獻(xiàn)率加權(quán)、按量化精度加權(quán)、按貢獻(xiàn)率和量化精度結(jié)合加權(quán)以及未加權(quán)四種加權(quán)策略,實(shí)驗(yàn)結(jié)果證明按貢獻(xiàn)率和量化精度結(jié)合加權(quán)可使加權(quán)FSVQ可達(dá)到最高識(shí)別率。
加權(quán)FSVQ繼承了VQ在訓(xùn)練速度上的優(yōu)點(diǎn),這主要體現(xiàn)在當(dāng)編碼率較低時(shí),加權(quán)
4、FSVQ能夠快速實(shí)現(xiàn)對(duì)大樣本的訓(xùn)練,而這一點(diǎn)正是SVM所欠缺的。相比加權(quán)FSVQ,SVM的主要優(yōu)勢(shì)在于對(duì)小樣本的識(shí)別精度上,SVM能夠?qū)π颖緦?shí)現(xiàn)高精度的快速識(shí)別。針對(duì)兩類(lèi)方法存在的缺陷,為了有效地提高說(shuō)話人識(shí)別的識(shí)別率,將二者進(jìn)行融合,并最大可能地發(fā)揮二者的優(yōu)勢(shì)?;诩訖?quán)FSVQ和SVM融合的說(shuō)話人識(shí)別方法采用的是先選定候選人,后確定的原則。實(shí)驗(yàn)數(shù)據(jù)顯示:采用加權(quán)FSVQ作為第一種語(yǔ)音模型,SVM作為第二種語(yǔ)音模型的級(jí)聯(lián)模式進(jìn)行融合,
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于韻律特征和SVM的說(shuō)話人識(shí)別.pdf
- 基于SVM的文本無(wú)關(guān)說(shuō)話人識(shí)別算法研究.pdf
- 基于SVM的與文本無(wú)關(guān)的說(shuō)話人識(shí)別算法研究.pdf
- 基于GMM和SVM的說(shuō)話人識(shí)別方法研究.pdf
- 基于GMM與改進(jìn)LS-SVM算法的說(shuō)話人識(shí)別研究.pdf
- 噪聲環(huán)境下的基于GMM-SVM說(shuō)話人識(shí)別算法.pdf
- 基于GMM和SVM的說(shuō)話人識(shí)別系統(tǒng)研究.pdf
- 基于韻律特征的SVM說(shuō)話人識(shí)別.pdf
- 基于SVM的反蓄意模仿說(shuō)話人識(shí)別研究.pdf
- 基于SVM的含噪耳語(yǔ)音說(shuō)話人識(shí)別研究.pdf
- 基于MFCC說(shuō)話人識(shí)別算法研究.pdf
- 基于SVM和GMM的說(shuō)話人辨識(shí)方法研究.pdf
- 基于GMM的說(shuō)話人識(shí)別算法的研究.pdf
- 基于MFCC和矢量量化的說(shuō)話人識(shí)別算法研究.pdf
- 基于DSP的說(shuō)話人識(shí)別算法的研究.pdf
- 說(shuō)話人特征提取和識(shí)別算法的研究.pdf
- 加權(quán)成對(duì)約束度量學(xué)習(xí)算法在說(shuō)話人識(shí)別中的應(yīng)用.pdf
- 基于倒譜特征的說(shuō)話人識(shí)別算法研究.pdf
- 基于高斯混合模型的說(shuō)話人識(shí)別算法研究.pdf
- 基于矢量量化的說(shuō)話人識(shí)別算法研究.pdf
評(píng)論
0/150
提交評(píng)論