2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩86頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明: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),請進行舉報或認領

文檔簡介

1、為了提高說話人辨認系統(tǒng)的性能和在實際應用中的魯棒性,本論文在高斯混合模型特征變換、特征加權(quán)補償變換和自適應直方圖均衡化三個方面進行了研究,主要研究成果包括: 1.提出了基于嵌入變換的對角方差矩陣高斯混合模型的多步聚類算法。為了簡便計算,高斯混合模型中的方差矩陣通常直接用對角方差矩陣代替,因而會對相似度的計算產(chǎn)生損失。為了彌補由于采用對角方差矩陣而引起的相似度損失,提出了基于嵌入變換的對角方差矩陣高斯混合模型的多步聚類算法。該方法

2、采用嵌入變換的對角方差矩陣來建立模型;同時將多步聚類算法融入其中,使高斯混合模型能找到其最適合的模型混合數(shù)。與普通聚類期望最大(EM)算法相比,多步聚類算法所需的EM估計次數(shù)明顯減少;與聚類EM估計的GMM方法相比,在同一語音庫下平均計算時間降低了約50%,錯誤識別率平均減少1.4%;在自制和公開的兩個語音庫下,與嵌入變換的GMM估計方法相比,新方法都可以直接達到說話人辨認錯誤識別率的最佳點,達到了識別效果和識別時間的統(tǒng)一。 2

3、.提出了基于高斯混合模型的加權(quán)特征補償變換的抗噪聲算法。針對特征加權(quán)算法的局限性和歸一化補償變換方法的特性,提出了基于高斯混合模型的加權(quán)特征補償變換的抗噪聲算法。一方面根據(jù)幀信噪比對特征值的貢獻大小進行加權(quán);另一方面根據(jù)說話人識別的聲學特性對模型輸出的似然得分進行變換,補償了加權(quán)因子在某些環(huán)境下的局限性。對于不同信噪比的平穩(wěn)和非平穩(wěn)噪聲環(huán)境,在自制語音庫下,與特征加權(quán)算法相比,該算法平均識別率提高了2.74%和2.82%;與歸一化補償變

4、換方法相比,平均識別率提高了3.56%和1.34%。在另一公開語音數(shù)據(jù)集下,與特征加權(quán)算法相比,該算法平均識別率提高了3.02%和2.56%;與歸一化補償變換方法相比,平均識別率提高了3.9%和1.14%。 3.提出了基于統(tǒng)計模型的自適應直方圖均衡化方法。針對說話人特征的統(tǒng)計特性和直方圖均衡化在說話人識別中應用的不足之處,提出了應用于說話人辨認中的自適應直方圖均衡化方法。該方法首先用較大的區(qū)間長度來構(gòu)造直方圖的累積函數(shù),然后根據(jù)

溫馨提示

  • 1. 本站所有資源如無特殊說明,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)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 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. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論