基于高斯混合模型的與文本無關(guān)的說話人識別算法的改進.pdf

1、語音是人的自然屬性，每個人的語音都帶有強烈的個人色彩，這使得通過分析語音信號來識別說話人成為可能，說話人識別具有廣泛的應(yīng)用前景。本文主要討論了說話人識別的特征參數(shù)提取、說話人識別系統(tǒng)組成、基于矢量量化(VectorQuantizatioN,VQ)的說話人識別方法及其改進方法、基于高斯混合模型(GaussianMixture Model，GMM)的說話人識別方法及其改進方法，并對實驗結(jié)果進行了討論。
　　 為了與GMM算法的識別結(jié)

2、果進行對比，本文首先對VQ方法作了討論，在訓練VQ碼書的傳統(tǒng)的LBG算法基礎(chǔ)上應(yīng)用粒子群優(yōu)化算法(Particle SwarmOptimizatioN,PSO)進行改進，得到PSO-LBG算法。另外，本文從兩個方面改進了傳統(tǒng)的GMM算法，分別是基于能量分類的GMM方法(Power ClassifiedGMM，C-GGMM)和基于特征空間分類的GMM方法(Feature Space ClassifiedGMM.F-GMM)。
　　

3、 PSO-LBG方法的原理就是利用PSO算法產(chǎn)生初始碼書，然后根據(jù)PSO算法中的迭代公式產(chǎn)生新的解（即新的碼書），對該新解利用LBG算法進行優(yōu)化，將優(yōu)化后得到的結(jié)果再輸入到PSO算法中產(chǎn)生新解，直到產(chǎn)生足夠好的碼書為止。
　　 C-GMM方法是根據(jù)語音幀能量對語音數(shù)據(jù)進行分類，在抗噪性能方面有著明顯的優(yōu)勢，并且在信噪比較低的情況下系統(tǒng)的魯棒性較好；F-GMM方法在特征空間對語音數(shù)據(jù)進行分類，描述說話人個性特征的信息比較豐富，在信