深度循環(huán)網(wǎng)絡(luò)在移動(dòng)端說話人識(shí)別中的應(yīng)用.pdf

1、說話人識(shí)別，又稱聲紋識(shí)別，是根據(jù)說話人語音來識(shí)別說話人身份的一種技術(shù)，屬于當(dāng)前最熱門的生物特征識(shí)別技術(shù)之一。和其它生物特征識(shí)別相比，只有說話人識(shí)別支持遠(yuǎn)程認(rèn)證。隨著智能手機(jī)的不斷普及，語音采集變得更加方便，說話人識(shí)別的優(yōu)點(diǎn)更加突出。在移動(dòng)互聯(lián)網(wǎng)環(huán)境下，用戶只需要通過手機(jī)錄制一小段語音即可完成遠(yuǎn)程身份認(rèn)證，而不需要接觸特殊的設(shè)備，因此用戶接受度高。正是因?yàn)樯鲜鲞@些優(yōu)勢，說話人識(shí)別受到了廣泛的關(guān)注與研究。
　　近年來，深度學(xué)習(xí)在很多領(lǐng)

2、域都取得了顯著的成績。深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）在建模能力上各有所長，CNN擅長圖像特征提取，RNN擅長時(shí)序建模。受此啟發(fā)，本文利用CNN和RNN優(yōu)勢互補(bǔ)的能力，將它們結(jié)合成一個(gè)統(tǒng)一的架構(gòu)用于說話人辨認(rèn)任務(wù)，本文稱之為 CDRNN模型。該模型首先將說話人的原始語音轉(zhuǎn)為語譜圖，再利用CNN的結(jié)構(gòu)優(yōu)

3、勢從語譜圖中自動(dòng)提取說話人的個(gè)性特征，最后將CNN提取出來的說話人特征輸入到Deep RNN中完成分類。
　　本文還基于CDRNN模型做了如下工作：
　　（1）為了驗(yàn)證CDRNN模型用于說話人識(shí)別的有效性，本文將CDRNN模型和經(jīng)典的說話人識(shí)別方法在同一個(gè)采集自真實(shí)環(huán)境中的說話人語音數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)對(duì)比。實(shí)驗(yàn)結(jié)果表明，CDRNN模型在不同說話者人數(shù)下的識(shí)別率均高于經(jīng)典方法的識(shí)別率，因此CDRNN模型的有效性得以驗(yàn)證。

4、>　　（2）CDRNN中的網(wǎng)絡(luò)模型是由CNN和RNN組成的，為了研究CDRNN中的網(wǎng)絡(luò)模型在說話人辨認(rèn)中的性能，本文從說話人特征提取和說話人建模能力兩方面，將 CDRNN中的網(wǎng)絡(luò)模型和其它深度網(wǎng)絡(luò)模型之間進(jìn)行了實(shí)驗(yàn)對(duì)比。在自建數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，CDRNN中的網(wǎng)絡(luò)模型要好于其它深度網(wǎng)絡(luò)模型。
　?。?）本文基于深度學(xué)習(xí)框架TensorFlow實(shí)現(xiàn)了CDRNN中的網(wǎng)絡(luò)模型，并將訓(xùn)練好的網(wǎng)絡(luò)模型移植到移動(dòng)端安卓平臺(tái)上，最后實(shí)現(xiàn)了一