MMCE算法在因子分析概率統(tǒng)計模型中的應用.pdf

1、在說話人識別領域中,基于模型的方法是最有效的,概率統(tǒng)計模型屬于該類方法,GMM和HMM都是典型的概率統(tǒng)計模型,目前,受到十分廣泛的研究,具有越來越重要的研究意義和實用價值。
　　近年,說話人概率統(tǒng)計模型成為研究領域的一大熱點。然而,基于這類模型建立的說話人識別系統(tǒng)在應用于實際環(huán)境中時還存在很多難題:特征矢量存在幀內(nèi)相關;大文本情況下模型參數(shù)過多且不能很好分類;計算復雜系統(tǒng)開銷大以及訓練速度慢;訓練算法分類優(yōu)化程度不夠以及不靈活等。

2、針對上述問題,開展了下述工作:
　　在對說話人識別最常用的兩種概率統(tǒng)計模型:高斯混合模型(GMM)和隱馬爾可夫模型(HMM)進行綜述的基礎上,對其中基本算法的優(yōu)缺點進行了深入的研究和分析。詳細分析最小分類錯誤算法(MCE)的優(yōu)缺點,針對現(xiàn)在GMM和HMM訓練中普遍用到的MCE算法存在的問題,嘗試性地提出相應的改進算法MMCE,即通過一個有序排列組來代替損失函數(shù)的重復判別,以便增加訓練靈活性,避免復雜而重復的比較計算。
　　對

3、MMCE算法的實現(xiàn)和參數(shù)調解過程進行推導,論述因子分析方法與GMM/HMM結合成因子分析高斯混合(FAGMM)和因子分析隱馬爾可夫模型(FAHMM)的過程和概念;推導出因子分析模型的EM訓練算法和MMCE訓練算法;實現(xiàn)了MMCE和FAGMM/FAHMM的結合,于是就形成新的FAGMM+MMCE和FAHMM+MMCE模型。
　　基于50個人語音庫的說話人實驗表明:MMCE算法較MCE和EM訓練時,模型的識別性能更好,訓練速度更快。另