基于支持向量機(jī)的說話人識(shí)別研究.pdf

1、在說話人識(shí)別領(lǐng)域，基于支持向量機(jī)（Support Vector Machine，SVM）的識(shí)別方法是當(dāng)今的研究熱點(diǎn)。同其他模式識(shí)別方法相比該方法主要有兩個(gè)不同點(diǎn)：一是它采用一個(gè)非線性核函數(shù)來表示特征空間的內(nèi)積，另外一方面它采用分類間隔最大的最優(yōu)分類超平面實(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)最小化。而這些特征使得支持向量機(jī)方法能得到廣泛的應(yīng)用。 論文詳細(xì)闡述了說話人識(shí)別的基本原理和實(shí)現(xiàn)過程。首先對(duì)特征參數(shù)的提取做了較深入的研究，對(duì)當(dāng)今最常用的線性預(yù)測(cè)倒譜

2、系數(shù)和美爾倒譜系數(shù)的理論基礎(chǔ)和實(shí)現(xiàn)過程做了闡述，并將這些參數(shù)和其差分參數(shù)相組合，測(cè)試它們提取說話人個(gè)性特征的準(zhǔn)確程度。用不同的特征參數(shù)構(gòu)造說話人識(shí)別系統(tǒng)并考察它們對(duì)系統(tǒng)識(shí)別率和抗噪性能的影響。 核函數(shù)是支持向量機(jī)模型的核心機(jī)制，函數(shù)類型的選擇和參數(shù)的整定對(duì)于分類的準(zhǔn)確度至關(guān)重要。論文闡述了核函數(shù)的基本理論，對(duì)目前常用的多項(xiàng)式核函數(shù)、徑向基核函數(shù)及多層感知器核函數(shù)進(jìn)行了仿真和分析，測(cè)試了它們?cè)诟蓛粽Z音和加噪語音環(huán)境下的系統(tǒng)識(shí)別率和穩(wěn)

3、健度。 為縮短說話人識(shí)別系統(tǒng)的訓(xùn)練時(shí)間，在對(duì)樣本進(jìn)行基于支持向量機(jī)的訓(xùn)練之前，需要對(duì)樣本進(jìn)行約簡(jiǎn)。論文總結(jié)了該領(lǐng)域的理論成果并給予歸納，提出了一種新的約簡(jiǎn)方法--支持聚類區(qū)提取法（Support Cluster Abstracting，SCA），闡述了該方法的理論基礎(chǔ)并給出了具體實(shí)現(xiàn)步驟，并對(duì)SCA方法和傳統(tǒng)的方法進(jìn)行了實(shí)驗(yàn)和分析，用實(shí)驗(yàn)演示了算法對(duì)線性可分樣本邊界的描述準(zhǔn)確度?？疾炝怂惴▽?duì)線性不可分樣本即語音樣本在約簡(jiǎn)率和識(shí)別