基于GMM的聲紋識(shí)別系統(tǒng)研究.pdf

1、聲紋識(shí)別是在“信息危機(jī)”的時(shí)代背景下而孕育起來(lái)的一種生物認(rèn)證技術(shù)，它以其獨(dú)特的便捷性、準(zhǔn)確性、經(jīng)濟(jì)性深受世人矚目，并得到了快速的發(fā)展。但由于特征參數(shù)與聲紋模型的局限性，這些年聲紋識(shí)別的研究進(jìn)入了瓶頸期，識(shí)別率很難再得以提升。本論文以提高聲紋識(shí)別率為最終目的，對(duì)聲紋識(shí)別展開(kāi)了深入的研究。
　　 論文先總體講述了聲紋識(shí)別系統(tǒng)的結(jié)構(gòu)和基本原理，然后對(duì)系統(tǒng)的特征提取、預(yù)處理、高斯混合模型等主要部分分別展開(kāi)了細(xì)致的研究。在特征提取方面，先

2、講述了線性預(yù)測(cè)的基本理論，并由此推導(dǎo)出線性預(yù)測(cè)倒譜系數(shù);接著又從同態(tài)濾波的基本原理出發(fā)，得到了摩爾倒譜系數(shù);最后對(duì)這兩種特征參數(shù)進(jìn)行了改進(jìn)和優(yōu)化。在模式匹配方面，先利用第二章提取出來(lái)的特征參數(shù)，由K-均值聚類算法進(jìn)行了模型的初始化，接著用EM算法進(jìn)行了模型的訓(xùn)練，最后得到了說(shuō)話人的高斯混合模型。論文的最后部分對(duì)各個(gè)模塊算法進(jìn)行了整合，并做了相關(guān)的性能測(cè)試實(shí)驗(yàn)。
　　 本論文的主要?jiǎng)?chuàng)新點(diǎn)是:提出了一種改進(jìn)端點(diǎn)的檢測(cè)算法，新的算法更