已阅读5页,还剩72页未读, 继续免费阅读
(信息与通信工程专业论文)基于模糊聚类的说话人识别.pdf.pdf 免费下载
版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
摘要 摘要 说话人识别属于生物特征识别技术的种,根据声纹中所反映的说话人个人 信息的特征参数,自动识别说话人身份,具有广阔的市场应用前景。本文研究了 基于模糊聚类分析和核函数的说话人识别方法,主要内容包括: 1 针对说话人识别方面的特点,对高斯核函数进行了改进,研究了基于样本方 差的模糊高斯核说话人识别方法,该方法可根据不同的人确定核函数的宽度,实 现了参数的自适应调整。为了避免模糊聚类时容易陷入局部极小值的情况,在基 于样本方差的模糊高斯核说话人识别中引入具有全局优化特性的粒子群算法,并 对基本粒子群算法进行了改进,提出了基于改进粒子群的模糊高斯核矢量量化算 法,获得了全局优化的码本,提高了识别率。 2 针对模糊核聚类时聚类准确性差和对噪声敏感的问题,将可能性模糊聚类 引入说话人识别中,研究了基于核的可能性模糊矢量量化说话人识别方法,该方 法提高了识别率;为t n 用样本邻域信息,在特征空间的可能性模糊聚类目标函 数中加入局部邻域约束,提出基于邻域约束的可能性模糊核说话人识别方法,进 一步提高了说话人识别率。 3 针对模糊熵中存在参数难以调整及说话人识别率有待提高的问题,研究了 基于核函数的模糊可能性矢量量化和基于可能性聚类的模糊核熵矢量量化说话人 识别方法,并利用模拟退火方式优化两种方法中的参数,实验表明两方法都具有 更好的分类准确性和识别性能。 关键词:说话人识别,模糊聚类,核函数,可能性聚类,熵 a b s t r a c r 一一 a b s t r a c t s p e a k e rr e c o g n i t o ni st h et e c h n i q u ew h i c hc a l l a u t o m a t i c a l l yr e c o g n i z et h e i d e n t i f i c a t i o no ft h es p e a k e rw i t hi n d i v i d u a li n f o r m a t i o ni n c l u d e di nv o i c e p r i n ta n dh 鹬 e x t e n s i v em a r k e t a b l ep e r s p e c t i v eo fa p p l i c a t i o n , w h i c hb e l o n g st oak i n do fb i o m e t r i c i d e n t i f i c a t i o nt e c h n i q u e i nt h i sw o r k ,w ef o r c eo ns p e a k e rr e c o g n i t i o nm e t h o d sb 勰e do n f u z z yc l u s t e r i n ga n dk e r n e lf u n c t i o n f i r s t l y , an e wg a u s s i a nk e r n e lf u n c t i o nc a l l e ds a m p l ev a r i a n c e - b a s e dg a u s s i 觚 k e r n e lw i l lb ec a r r i e do u tf o rt h es p e a k e rr e c o g n i t i o n ,w h i c hc a l lg e td i f f e r e n tk e n l e l w i d t h sf o re a c hp e o p l ea d a p t i v e l y t h e na n o t h e rs p e a k e rr e e o g n i t i o ns y s t e mw a s i n t r o d u c e dw i t ha ni m p r o v e dp a r t i c l es w a r mo p t i m i z a t i o na n dt h ev e c t o rq u a n t i z a t i o n b a s e dt h en e wf u z z yg a u s s i a nk e r n e lf u n c t i o n , c a l l e ds a m p l ev a r i a n c e - b a s e df u z z v g a u s s l a l lk e r n e lv e c t o rq u a n t i z a t i o nw i t hp a r t i c l es w a r mo p t i m i z a t i o nw h i c hc a ng e t g l o b a lo p t i m u mv a l u ef o rt h ev e c t o rq u a n t i z a t i o n s e c o n d l y , t h en e wf u z z yg a u s s i a nk e r n e lf u n c t i o ni si n 缸0 d u c e dt ot h em e p o s s i b i l i s t i cf u z z yc l u s t e r i n g a n d an e wv e c t o rq u a n t i z a t i o na l g o r i t h mi s p r o p o s e d b a s e do nt h ep o s s i b i l i s t i cf u z z yc l u s t e r i n gw i t ht h et h ek e r n e l b a s e dp o s s i b i l i s f i cf u z z v c l u s t e r i n gw h i c hi m p r o v et h ea c c u r a c yo ft h ec l u s t e r i n go fa n t i n o i s ea b i l i t yt of u z z v c l u s t e r i n g f i n a l l y , i nt h ef e a t u r es p a c e ,w eu s el o c a ln e i g h b o r h o o dc o n s 砌n tt ot 1 1 e p o s s i b i l i s t i cf u z z yv e c t o rq u a n t i z a t i o na n dp r o p o s e dt h es p e a k e rr e c o g n i t i o na l g o r i t h m b a s e dt h ep r o p o s e dp o s s i b i l i s t i cf u z z y v e c t o rq u a n t i z a t i o n f i n a l l y , a i m e da tt h ed i f f i c u l ta d j u s t m e n to ft h ep a r a m e t e r sa n dl o wl e c o g n i t i o n a c c u r a c yo f t h ef u z z ye n t r o p y , ak e r n e l - b a s e df u z z y p o s s i b i l i s t i cv e c t o rq u a n t i z a t i o na n d ak e r n e l - b a s e df u z z ye n t r o p y p o s s i b i l i s t i cv e c t o rq u a n t i z a t i o nw e r ep r o p o s e d a n dt h e y b o t hu s es i m u l a t ea n n e a la r i t h m e t i cm e t h o d st ot h et w op r o p o s e d a l g o r i t h mf o r o p t i m i z i n gt h e i rp a r a m e t e r s t w oa l g o r i t h m sd i s p l a yw e l li nt h el a b k e yw o r d s :s p e a k e rr e c o g n i t i o n ,f u z z yc l u s t e r i n g , k e r n e l f u n c t i o n , p o s s i b i l i s t i c c l u s t e r i n g , e n t r o p y 独创+ 性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工 作及取得的研究成果。据我所知,除了文中特别加以标注和致谢的地 方外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含 为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明 确的说明并表示谢意。 签名:二醒堕生。日期:乙妒j 7 年6 月日 论文使用授权 本学位论文作者完全了解电子科技大学有关保留、使用学位论文 的规定,。有权保留并_ 向国家有关部门或机构送交论文的复印件和磁 盘,允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文 的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或 扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后应遵守此规定) 竽名:j 垡盥乒 导师签名: 日期:乙,口年6 月le l 第一章引言 第一章引言 1 1 说话人识别研究背景及意义 说话人识别属于生物认证技术的一种,与其它生物识别技术如指纹、虹膜、 耳廓等一样,具有使用方便、难以遗失的优点【l 】。而利用语音来识别说话人的身份 的技术相比于其他认证技术有着采集方便自然、经济等诸多独特优点。首先,获 取语音样本的系统设备成本很低,因为语音频率低,对语音进行采样和量化的a d 等芯片要求很低,在一般场所,只需要麦克风即可,而利用通讯设备时,则更无 需另外的麦克风。其次,以待识别的对象的语音为识别特征参数时,只需说几句 话,用户不需要像虹膜识别需要接触摄像设备、指纹识别需要接触触传感器等, 具有非接触性,显得自然和卫生,所以更能受大家认可。 如今语音识别已经得到成功的应用,比如呼叫中心、语音电话薄等【2 】。而说话 人识别也已经被应用在语音检索和信息检索中。随着计算机技术、数字音频处理 技术的突飞猛进,说话人识别存在的其它一些瓶颈会慢慢被消除,说话人识别技 术市场应用前景会越来越广泛【3 】1 4 j ,例如: 1 在公安司法领域,针对电话进行诈骗和人身攻击的罪犯进行识别、查证。 2 在军事安全中,确认正确的指挥员。 3 在安全保卫方面进行声控识别。 4 在网络信息服务方面,用声纹信息代替现在的口令和密码,进行电话银行, 计算机远程控制等 所以,说话人识别技术具有很强的研究意义。 1 2 说话人识别国内外研究概况 如图1 1 说话人识别研究历程,说话人识别问题的研究始于2 0 世纪3 0 年代【3 】 1 9 4 5 年b e l l 实验室的l g ;k e s t a 通过目视观察语谱图进行说话人识别,由此提出了 “声纹( v o i c e p r i n t ) 的概念,并对说话人进行识别的可能性进行了研究,1 9 6 6 年 美国法院第一次采用了机器听音识别。随着计算机技术水平和电子技术水平的发 展,使得通过机器对说话人的声音进行自动识别成为可能。 电子科技大学硕士学位论文 哩! j 耳辨听语囝对比 # 疆i 藩薯。u e l 2 c c u p c c* * 自目* 自 g = 盔翟雀攀霉 匿日匿野 图i - l 说话人识别发展历程 经过几十年的发展,说话人识别方法从2 0 世纪六十年代s p r u z a n s k y 提出的 基于模式匹配和概率统计方差分析方法,到7 0 年代的动态时间规整( d y n a m i c t i m e w r a p p i n g ,d t w ) 的模板匹配法、8 0 年代的人工神经网络、隐马尔可夫模型m i d d e n m a r k o vm o d e l ,h m m ) 和矢量量化、9 0 年代后的高斯混合模型、支持向量机 s v m ( s u p p o r t v e c t o r m a c h i n c ) ,各种说话人识别方法是层出不穷。目前为止,对说 话人无关的说话人识别来说,在对大规模语料中高斯混合模型 ) 1 6 1 ( g a u s s i m m i x t u r em o d e l ,g m m ) 以其良好的鲁棒性是最优秀的识别算法;而对于低复杂度, 小规模语料库来讲,基于矢量量化的识别方法具有更好的鲁棒性,成为说话人识 别的核心方法。说话人识别的特征提取方法在这其中也经历了长足发展,刚开始 是语谱图【3 j ,1 9 6 9 年l j e 提出了倒谱技术,b s a t a l 随后将线性预测倒谱系数( l i n e a r p r e d i c t i v ec c p s 衄u nc o e f f i c i e n t s ,l p c c ) 应用到说话人识别中一美尔倒谱系数h 5 恻 在7 0 年代末期被sbd a v i s 提出后,因为考虑了人耳的听觉感知机理,具有很好 的识别效果和噪声鲁棒性,得以成为说话人识别中使用虽为广泛的特征参数。 经过几十年的研究,说话人识别技术所处理的语音从当初只能在小型、实验 条件下的较少说话人、干净语音及与文本相关的语音,到现在能处理大规模语音 库、与文本无关的各种真实环境下的语音。现在,说话人识别技术已经能够做成 商业产品,应用到实际生活中。在国内,出现了众多产品n 如中科信利说话人识 别引擎、言丰声纹识别器、北极星声纹识别技术等。说话人识别技术同时也是国 内众多高校和科研机构的研究对象,其中北京大学的视觉与听觉信息处理国家重 点实验室代表了我国说话人识别技术研究的最高水平。在国外,八十年代的美国 第一章引言 h o m es h o p p i n gn e t w o r k ,是基于语音识别和说话人识别确认来进行语音电话订货 的系统,目前已经被广泛应用;另外,日本松下、欧洲电信联盟、v - e o m m e r c 联 盟、a t & t 、k e y w a r e 公司、苹果公司等相继开发出了实用化的商业产品。 说话人识别技术的研究有5 0 多年,取得了很多成果,但还存在二些问题,1 9 7 1 年b b e e k 等总结了说话人识别技术中存在的问题【9 】,目前依然存在的问题有【1 0 】: ( 1 ) 可靠而简单的说话人识别参数,段语音信息里面包含了语义特征和个性特征, 目前为止的提取的特征是两者的混合,依然无法将二者分离开;( 2 ) 语音信号存在 时变特性,一个人的声音随着他的年龄、环境、健康情况以及情绪而在发生变化, 所以说话人的特征在发生变动;( 3 ) 建立大型的识别系统依然是个无法解决的难题; ( 4 ) 短语音训练识别问题,如何从很短的语音段里面提取出具有代表性的特征,完 成说话人识别系统的建立。本文着重对问题( 4 ) 进行探讨。 1 3 模糊聚类研究概况 1 3 1 模糊聚类发展概况 自从1 9 6 5 年l a z a d e h t u 】第一次提出“f u z z ys e t s 的概念,模糊理论迅速发 展起来,它主要包括模糊逻辑、模糊集合理论、模糊控制和模糊推理等方面的内 容。z m e h 在“f u z z ys a s 中提出的隶属度函数表达了模糊概念从“完全不属于 到“完全隶属于”的过渡,从而突破了经典集合理论的局限性,奠定了模糊理论 的数学基础。1 9 7 8 年z a d e h 阐述的可能性理论,为模糊理论更广泛地应用于模式 识别和其他领域提供了强有力的理论基础和有效工具,是模糊理论发展的第二个 里程碑。 模糊技术在此后被应用在不同领域,模式识别领域就是其中最为活跃的领域, 在模式识别算法中,聚类分析是模式识别的个重要方法,传统的聚类分析是一 种硬划分,对于对象样本所属类别而言,具有非此即彼的特性;而实际上很多待 识别对象并没有那么严格的划分,而是存在中介性,所以这种硬划分显然不能客 观反映样本。而基于模糊理论的模糊聚类分析描述了样本属于某个类别的不确定 性程度,表达出样本类属的中介性,它为这个问题提供了有效的解决方法,也因 此,模糊聚类分析成为了聚类分析研究最多的领域【1 2 1 。 另一方面,基本的f c m 算法对隶属度矩阵进行归一化约束,隶属度函数描述 的是模式在类间的分享程度,不能反映特征矢量的典型性。当样本中有噪声点和 3 电子科技大学硕士学位论文 孤立点时,不能取得好的聚类分析效果,因为这些噪声点和孤立点有可能被赋予 较大的隶属度值,后人为了解决这个问题,对隶属度的约束条件进行了修改,其 最有成效的是k r i s h n a p u r a m 和k e l l e r 提出的可能性c 聚类算法( p o s s i b i l i s t i c c m e a n s c l u s t e r i n g ,p c m ) 1 3 】,该算法放松了概率约束,能较好地处理噪音,弥补了 f c m 易受噪音影响的缺陷。但其收敛速度慢,对初值敏感,容易陷入一致性聚类。 之后很多研究者对p c m 进行了改进 1 4 - 1 9 】,其中p a l 等人在f c m 和p c m l 的基础 上提出了可能性模糊聚类( p o s s i b i l i s t i cf u z z yc m e a n s c l u s t e r i n g ,p f c m ) 2 0 】【2 l 】圈,该 算法有效地解决p c m 存在的问题。 模糊熵( f u z z ye n t r o p yc l u s t e r i n g ) t 8 3 】在f c m 的基础上引入了熵的概念,是f c m 的一种改进,它着重在隶属度上进行了优化,去除了物理意义和数学意义不明确 的模糊加权指数m ,使得目标函数的物理意义和数学意义清晰和简洁;而基本的 f c m 算法因为是采用梯度法对参数进行优化,只考虑了局部优化解,f e c 解决了 这个问题,使得算法能够得到全局优化解。 为了利用模糊聚类理论的优势和弥补其存在的缺陷,出现了模糊聚类和其它 算法联合使用的情况,目前为止,出现了许多联合使用的情况【2 3 】【2 4 1 1 2 5 1 。而在说话 人识别领域,模糊聚类几乎渗透到每一种识别算法中了 2 眈9 】。 现在,模糊聚类也已经广泛地应用在众多其它领域,并取得了令人满意的效 果,其应用涉及到雷达信号分析、矢量量化、林业自然地理区分、图像分割、信 息检索、故障诊断、数据挖掘、地层分析、农田养分管理等领域。 1 3 2 基于模糊聚类的说话人识别研究概况 1 9 9 6 年y u a n 将模糊理论与神经网络相结合,提出一种基于模糊神经网络的说 话人辨识【3 0 1 ,这是模糊理论第一次被应用到说话人识别中。随后的t r a n d 和 w a g n e r m 对模糊理论在说话人识别中的应用做了大量工作,他们先是在1 9 9 9 年, 在h m m g m m 中应用模糊聚类分析,提出了模糊高斯混合模型【3 l - 3 3 】和模糊隐马尔 可夫模型【蚓;2 0 0 0 年t r a n d 和w a g n e r m 又在模糊聚类分析中引入信息熵,提出 了基于模糊熵聚类分析的说话人识别1 3 5 1 。为了弥补模糊局部优化的缺陷,t u v a nl e 等【3 6 j 利用模糊聚类估计出h m m 的初值,接着用进化思想完成对h m m 的训练, 提出了基于进化理论的模糊隐马尔可夫模型说话人识别,显著提升了识别系统的 性能。在这之后,将模糊理论和其他方法理论结合起来应用到说话人识别中的例 子越来越多【3 7 枷】。而l i n 3 9 删在t r a n d 的基础上,将核函数和模糊理论结合起来, 4 第一章引言 应用在说话人识别中,通过对短语音进行分析,得到了较好识别效果的系统。本 文在l i n 研究的基础上继续探寻模糊聚类理论在短语音说话人识别系统中的应用。 1 4 说话人识别技术介绍 说话人识别是从说话人语音里提取出独特的个性特征,通过系列分析和区 分,最终能够对该说话人身份进行确认或者辨认。它与语音识别不同的是,语音 识别只注重说话者的语音内容,而不区别是谁说的,强调的是语音中的共性特征, 而说话人识别恰好相反。 黼叠。 唾熏堑芝二兰玉 繁,置 蝴 确认麒话人拴驯 匝匿至亟叵圃 一# - 蠡 口 蠡匣亟亟垂堕圈 豳豳逛塑蔡霹翼圈 图i 2 随话人识别接任务不同的分类 如图1 2 所示,依据最终完成的识别任务不同,说话人识别可分为三类:说话 人确认0 p e a l ( c rv c r i f i c a t i o n ) ,说话人辨认( s p e a k c ri d c n t i f i c a t i o n ) 和说话人探测与跟 踪( s p e a k e rs e g m e n t a t i o n 蛆de l u s t e d n g ) 。这三类在本质上都是根据待测说话人的语 音特征与己得到的说话人语音库中的模型进行比较而做出某种判断。三者的区别 在于说话人确认是判断说话人的身份,做出的是“是”或“不是”的二元判决; 说话人辨认则是辨别测试的说话人是否是待考察的人中某一个,是一个多元判决; 而说话人探测与跟踪是区分说话人说话的时间在某个时间段是哪一个人在说话。 而按照用于测试的语音内容不同,还可将说话人识别分为与文本有关 ( t e x t - d e p e n d e n t ) 、与文本无关( t e x t - i n d e p e n d e n t ) 和文本提示型( t e x t - p r o m p t e d ) 。第一 类规定说话人说话的内容,只能在指定的内容里选择说什么;而第二类是说话人 可以说任意的内容:第三类则是说话人只能说指定的话,除此之外的话,即使是 电子科技大学硕士学位论文 本人也会被拒绝。总体来说,第一类说话人识别被最早研究,相比而言,能够得 到更准确的识别结果。现在,还有闭集( c l o s e d s e t ) 和开集( o p e n s e t ) 区别的说话人识 别。两者的区别是,前者说话人集是固定的,待测试人是该说话人集中的一个, 而对于后者,说话人可以是未知的待测试人。 无论哪类说话人识别技术,大体上都分为特征提取和识别模型两个主要部分。 一个说话人识别系统的框架图如图1 3 所示,它主要分为语音输入、特征提取、训 练和识别等部分,在某些系统中还会具有实时调整参考模板的自适应部分。 1 4 1 预处理 图1 - 3 说话人识别系统框图 语音输入后,为了能够在特征提取阶段能够得到真正代表说话人个性特征的 基本特征,有必要在之前先进行预处理。预处理主要包括端点检测、预加重、加 窗分帧等。 , 1 端点检测。语音输入后,往往还会有静音段、噪音段等,为了将语音信号从 输入信号里分离出来,就要进行端点检测。端点检测的方法主要有短时过零法和 短时平均能量法和短时平均幅度法,当然这只是最基本的,现在出现了很多的新 的端点检测算法,同时一般会几种算法联合使用。 2 预加重。由于语音信号的平均功率会在大约8 0 0 h z 以上的高频段按6 d b 倍 频程跌落,高频段频谱比低频段难求,所以为了提升高频段,使得高低频段能用 同样的信噪比求取频谱进行频谱的分析,就需要进行预加重。一般是用表达式( 1 1 ) 的数字滤波器来实现: h ( z ) = l - 0 9 7 z i ( 1 - 1 ) 3 加窗分帧。语音信号是准平稳信号,即短时间范围内( 大约为1 0 , - , 3 0 m s ) 具有 平稳信号的特性。为了能够利用平稳信号的一些方法对其进行分析,我们就将语 6 第一章引言 音信号分割成是小段,一段就称为是一帧,而为了使帧与帧之间能够保持好连续 性,需要将前后两帧进行部分交叠,即叫做帧移。如图1 4 所示。 p 斗。二一 帧移。帧长: 图1 4 帧移与帧长 而分帧上所用的窗一般是h a m m i n g 窗,表达式为式( 1 2 ) f o ,e l s e w ( 巾i o :5 4 0 4 6 c o s 卜吲_ 1 ) o 。2 其中,n 为窗的宽度,称为帧长。 1 4 2 特征提取 说话人识别的基础是语音分析,语音分析是为了提取说话人特征参数,经过 特征提取可以得到表示每类说话人的个性特征的语音特征参数,理想的说话人识 别系统中,经过特征提取得到的特征应该个性,不易被模仿,随时间、空间变化 少,同时能够易于从输入语音中提取。但这种理想的特征参数是很难得到的,现 在能得到的特征参数往往只是对说话人某一方面特征描述。多年来,无数的研究 者对说话人识别中的特征参数进行了大量的研究,得到一系列有效的特征参数, 总结起来,比较常用的是以下几种,其中以m e l 倒谱使用得最为成功。 1 线性预测系数及其派生参数。 线性预测( l i n e a rp r e d i c t i o n ) 包含的概念是,语音采样点之间存在相关性,语音 信号可以用过去的采样点来或其组合来逼近,通过使实际语音采样和线性预测值 之间的差值的平方和最小值,决定一组唯一的预测器系数,称为线性预测系数。 设s ( i ) 为语音样本点,那么是s ( n ) 的阶线性预测值是: d 童( 刀) = q j ( 刀一j ) ( 1 3 ) i = 1 其中,口,是线性预测系数,p 为线性预测的阶数。预测误差是: 7 电子科技大学硕士学位论文 p ( 万) :s ( 以) 一j ( 挖) :s ( 刀) 一圭叩( ,z f ) 那么语音帧的预测误差平方和为: e :卦( 聆) 二圭q s ( 川) 2 n = p l i = 1 j ( 1 - 4 ) ( 1 - 5 ) 当在某个准则( 如最小均方误差等) 下计算差值和的最小值的时候,产生的参数 f a i ) 就为线性预测系数,可以用来表征语音信号的特性用于说话人识别等。另外, 也由它推导出其它参数,如l p c 倒谱系数、线性对系数等,其中l p c 倒谱系数及 其差值倒谱差数是最为常用的时域参数【2 5 1 。 2 美尔倒谱特征参数 美尔倒谱系数( m e lf r e q u e n c yc e p s t r u mc o e f f i c i e n t ,m f c c ) 是由d a v i e s 和 m e r m e l s t e i n 根据人耳听觉特性提出的语音特征参数【4 5 】,它采用符合临界频率和人 耳听觉特性的等效滤波器组来提取倒谱,这组滤波器在频率的美尔( m e l ) 频率坐标 上是等带宽的。m e l 倒谱被证明具有很强的抗噪能力,是语音识别相关任务中最为 成功的特征描述之一。 m e l 频率与实际频率的关系可用下式近似表示: m e l ( f ) = 2 5 9 5 1 9 ( 1 + f 7 0 0 ) ( 1 - 6 ) m f c c 的实现框图如图1 5 : 语音一 1 - 5m f c c 实现框图 经证实1 4 6 ,m f c c 在说话人识别中无论在帧长还是帧短,无论语料是否充足, 在同一种识别模型下,其识别都比l p c 及其变化都要好,因为倒谱特征的可区分 性测度要优于l p c 特征,m f c c 特征参数更加稳定、平滑,个性特征也较线性预 测参数多,所以我们在本文中选用m f c c 作为语音特征参数。 3 d c l t a 特征 8 第一章引言 前面提到的两种特征只是考虑了语音帧内的信息,而不考虑语音帧之间的信 息,d e l t a 4 7 1 特征是对特征向量序列在语音帧的时序上作一次傅里叶变换,它能获 得语音帧之间的时变信息,从而提高识别性能。 4 声门特征 声门也具有和声道一样的性质,带有说话人相关的特性。基于声门特性的基 本说话人识别特征主要有能量、语音速率、基频。基于声门的特征是说话人识别 最新的热点之一【4 8 , 4 9 j 0 。 1 4 3 模式匹配方法 目前来讲,研究比较多的模板匹配方法主要有一下几种: 1 矢量量化( v q ) 矢量量化( v e c t o rq u a n t i z a t i o n ,v q ) 技术原是一种数据压缩和编码技术【5 1 1 ,后来 被应用在说话人识别领域。矢量量化在语音处理领域起到非常重要的作用,直到 目前为止,基于v q 的说话人识别方法,依然是最常用的识别方法之一。在训练 数据较少的时候,具有比h m m 方法还优越的性能,具有更好的鲁棒性和实时性, 此外,它能够充分利用矢量量化各分量之间的线性依赖性和非线性依赖性,所以 在研究少量语音的说话人识别系统时,v q 是一个最佳选择。 应用矢量量化进行说话人识别的基本框图如图1 - 6 。 图1 - 6 应用v q 的说话人识别系统框图 矢量量化工作原理是:语音样本被提取特征矢量后,在多维空间中给予整体 的量化,在信息量损失较小的情况下压缩数据量。应用在说话人识别中的时候, 主要是分为两个部分:第一个部分是利用语音特征参数进行训练,得到参考模型, 即码本;第二部分是将待识别的语音的每一帧与码本计算平均量化误差,平均量 化误差最小的码本所对应的说话人就是识别系统的结果。 9 电子科技大学硕士学位论文 应用矢量量化技术进行说话人识别的时候,有一个最重要的问题需要解决, 那就是如何获取有代表性的样本特征训练码本。从理论上分析,这需要有一个好 的失真度准则和一个码本优化方法。在矢量量化被运用在语音识别领域时,人们 一直在探索如何设计一个好的码本,前人为此做了大量的研究,也提出了一系列 的方法【5 1 j 【翻,如l b g 算法,m d 算法,基于神经网络的码书设计算法,随机松弛码 本设计,遗传码书设计,禁止搜索码本设计以及基于模糊理论的码本设计【5 2 】等。 在这些方法中,前面所有方法都是基于硬判决,也即是说,每个语音样本根据一 定的准则只隶属于某一个聚类,忽略隶属于其它聚类的可能性,这种码本的设计 一方面对初始码本很敏感:另一方面难以得到全局代表性的码本。而基于模糊理 论的码本设计解决了硬划分的缺陷,同时配合具有全局性的优化算法,便能设计 出很好的码本,本书的码本设计方法都是以模糊聚类为基础。 基本的模糊矢量量化码书设计如下: 设语音特征参数矢量集为z = x a , x 2 一,h ,y = v l , v 2 。,屹 为聚类中心组成的 码本;u = u 1u 2 ,u 。 为语音特征参数矢量隶属码本的隶属度函数集,满足 o l 是模糊加权指数,对聚类的模糊程度 有重要调整作用。u = 如驴土f = 1 ,c ;f = 1 ,n 为模糊隶属度函数矩阵,甜疗表示模 式矢量隶属于第f 类的程度,依据式( 2 川,可以将式( 2 5 ) 改写为: c ( u ,矿) = 嵋( k ( _ ,_ ) 一2 x ( x , ,m ) + k ( m ,m ) ) 户一1 ( 2 6 ) 利用模糊核目标函数最小准则,来寻找样本集的最优划分,使用拉格朗日乘 子法可以得到: 1 5 电子科技大学硕士学位论文 吻。 乱槲f m ,- , “:( 以) ( m ) = 卫_ 广一,v i 磁_ j “ 因为“) 不能直接计算,所以,在( 2 8 ) 式两边同时做如下运算: 吣卜:一n j “:k ( & ,一) k ( x j ,k ) = 生l 百一,v i ,j “: k = l 圹 乱瑞爿川, 式( 2 4 ) 得到的e u c l i d 距离的平方可以改写为: 4 矽( _ ) 一( 畸) 1 1 2 = k ( x j ,x j ) 一 ( 2 7 ) ( 2 8 ) ( 2 9 ) ( 2 一l o ) 2 材:k ( & ,_ ) 簖磁k ( 噍,而) 节+ 飞矿“。, 从上式可以看出,隶属度函数的更新是通过对e u c l i d 距离更新完成的,不需 要更新类的中心,从而大大地简化了计算。为了表征说话人的语音特征,在聚类 结束后还需要估计每类的中心,将得到的码书作为每个说话人的语音模型。类中 心的计算公式为: 1 6 ( 2 - 1 2 ) 瑚 = 第二章基于改进粒子群的模糊核说话人识别 模糊核矢量量化码书估计的基本流程如图2 1 所示。 初始化: 1 选定码本容量c 、最大迭代次数r 、以及迭代终止条件,迭代初值r = l : 2 。由式( 2 1 ) 计算样本方差,作为高斯核的散度。 3 初始化类中心,i = l ,2 ,c ; 重复: 4 利用式( 2 一1 1 ) 计算距离j p b ) 一n 盯; 5 利用式( 2 7 ) 更新隶属度函数“。,i = 1 ,c ;i = 1 ,n ; 6 若理警k ( t - 1 ) - u o o ) i 占或迭代次数小于最大迭代次数r ,r = r + l ,跳到4 , 否则转到7 ,迭代结束。 7 根据式( 2 1 2 ) 计算类中心矢量,以此类中心矢量组成重估后的码书。 否 图2 1 基于方差的模糊高斯核矢量量化码书估计基本流程 2 2 3 基于方差的模糊高斯核说话人识别 在2 2 2 节完成矢量量化后,得到了说话人模板,接下来将在高维特征空间中 可以对测试说话人的语音特征参数建立识别模型,进行识别。 设x = k ,而,h ) 是从待测试说话人的语音特征参数集合中取得的矢量序 列,而第r 个参考说话人的码书集合为y ) = “p ) l ,( ,) ) ,1 9 亟。那么在高维 1 7 电子科技大学硕士学位论文 特征空间中,由第r 个说话人码书对矢量集x 进行量化产生的平均量化误差则定 义为: 砟一( ,) = 万1 缶, v 善c “训( _ ) 一( m ( r ) ) 1 1 2 其中归b ) 一西“叫1 2 由( 2 4 ) 计算,对于说话人辨识而言, 平均量化误差最小的码书所对应的那个人。即 r e s 讲= 鹕卿( 谢( ,) ) i s r s 矗 2 3 基于改进粒子群的模糊高斯核说话人识别 2 3 1 基本p s o 算法 ( 2 - 1 3 ) 说话人识别结果是 ( 2 1 4 ) 粒子群算法( p a r t i c l es w a r mo p t i m i z a t i o n ,p s o ) 是一种基于群体智能理论的有效 的全局寻优算法【6 9 1 ,它具有操作简单与全局搜索的特点。此外其采用速度位置方 式,在每一代种群中,具有了自我学习提高和向他人学习的两重优点,所以可以 在较少的迭代次数内找到最优的结果。 粒子群算法可以描述为:粒子群在一个空间中搜索,每个粒子对应有一个适 应度值,粒子群中的每个粒子代表问题的一个解,每个粒子具有位置和速度2 个 特征,粒子位置坐标对应的目标函数值作为粒子的适应度,算法通过适应度来衡 量粒子的优劣。p s o 算法首先初始化一群随机产生的粒子,然后通过迭代找到其 最优解。在每次迭代中,每个粒子通过记住2 个“极值”来更新自己,一个是粒 子自己搜索到的最优解,即个体极值p i d ;另一个是整个群体经历过的最好位置, 即目前搜索到的最优解,称为全局极值p g d 。此外,每个粒子都有一个速度。 在粒子找到上述两个极值后,每个粒子会根据式子( 2 1 5 ) ( 2 1 6 ) 来更新自己的位置 和速度【5 3 】: 屹p + 1 ) = 缈屹 + q 砀馄 一讫( 功+ 乞傻吩 一蜀( f ) ) ( 2 - 1 5 ) x 甜( t + i d = 砀( f ) + 屹( f + 1 ) ,o = l 2 , ,聊 ( 2 1 6 ) 其中:c l 、c 2 称为加速常数,为正数;仇、r :是 0 ,l 】之间的随机数,( t ) 是粒子前一时刻速度,巧d ”1 ) 是粒子当前的速度,凰( t ) 是粒子的当前位置,函( t + 1 ) 1 8 第二章基于改进粒子群的模糊核说话人识别 是粒子产生的新位置,国为惯性权重。t o 为较小值时,算法倾向于局部搜索,而在 其较大时,具备较强的全局搜索能力。所以采用文献【7 l 】提供的方法对其进行更新。 w ( f ) = ( m w 2 ) 警- ( 2 一1 7 ) 其中,i t 吼嗽和i t e r 分别为当前的迭代次数和粒子群最大迭代次数,w l 和w 2 是惯性权重的初始值和最大值。 基本p s o 优化算法流程图如图2 - 2 所示。 开始 初始化粒子群 计算每个粒子的 适应度值 更新粒子的个体最优位 置和全局最优位置 根据式( 2 1 5 ) ( 2 - 1 6 ) 更新 粒子速度和位置 满足终止条件? 输出全局 最优位置 结束 图2 - 2 基本p s o 优化算法的流程框 2 3 2 改进的粒子群算法 否 基本p s o 算法包含了速度和位置两个概念,但p s o 进化过程与粒子的速度没 有关系【r 7 1 。在说话人识别中,对于位置的确定,可以很好的解决,但是速度的确 定却是不容易;并且p s o 算法何时结束更新是一个值得探讨的问题,面对复杂的 系统时,只是以固定的迭代次数为结束的条件,这样显得太片面。为了解决这个 难题,受文献 7 1 】的启示,我们将舍弃速度,将粒子群的更新式子改写为: x 甜( f + 1 ) = 。x 埘( f ) + q 硗( ( 1 + ,) 兄o ) 一瓦( f ) ) + c 2 t 1 2 ( p 。d ( t ) 一( f ) ) r 2 1r 、 、一一一, 式中,是随机扰动,而h i d 是局部寻优因子,除此以外,我们还定义了一个 全局寻优因子h g d 。对于随机扰动和搜索因子,有以下定义: 1 9 电子科技大学硕士学位论文 玩2 褊 2 揣 一j ,o ,o 乩 1 7 i 朋,z d ( 0 ,1 ) ,乩1 ( 2 2 1 ) 其中,厂( ) 是粒子群的适应度函数。在粒子群进行寻优的过程中,初期因为粒 子群的良好的寻优能力,很快能够收敛到最佳的位置附近,但是在寻优的后期, 粒子群的速度就显得很慢,有可能停滞不前,这时对局部优化值加入一定的扰动, 将会使得优化有新的变化,从而使粒子不至于在后期失去全局寻优能力。而h g d 描述的是粒子群的整体优化速度,如果h g d 变化很小,说明粒子群此时已经寻优 到最优解,此时可以考虑退出寻优过程。 2 3 3 基于改进粒子群的核模糊c 均值矢量量化算法( p s v g k f v q ) f k v q 具有很强的局部寻优能力,但是难以得到全局最优码本,本节利用改 进p s o 算法和v g f k v q 相结合,提出基于改进p s o 的模糊高斯核矢量量化算法, 提高了码本的质量。 设p s o 的适应度函数为: 八柑2 丽2 蘅丽而雨 蚴 其中,语音样本空间为x k ,而,h ) ,其一为d 维向量,以p s o 中的一个 粒子代表一个聚类中心集合v = “,v 2 ,) 。 p s v g k f v q 算法基本流程如图2 3 所示。 1 给定聚类数目c ,允许误差,迭代次数t = - i ,设定群体规模n ,惯性权重 ,学习因子c 1 、c 2 ,模糊指数m l 2 初始化粒子群u ,屹,v c 。利用基本的f k v q ,选用少量语音完成,得到 的码书作为粒子群初始值; 3 利用式( 2 一1 1 ) 计算距离舾b ) 一n 矿; 4 利用式( 2 7 ) 更新隶属度函数,i = l ,c ;i = l ,; 第二章基于改进粒子群的模糊核说话人识别 5 由式( 2 2 2 ) 计算出初始适应度f ( x i ) ,并对p i a ( t ) 和e g d ( t ) 赋予初始值; 6 根据式( 2 2 0 ) 计算h g d 的值;如果h g d 等于l ,或者当前迭代次数达到预先 设定的最大次数,则停止迭代,输出全局极值,跳到步骤( 1 2 ) ,否则转到步骤( 7 ) ; 7 根据式( 2 1 9 ) 计算h i d 的值,并结合式( 2 2 3 ) 和( 2 2 6 ) 完成粒子位置的更新: 8 由式( 2 1 8 ) 完成惯性权重c o 的更新; 9 由式( 2 1 1 ) 完成距离计算,由( 2 7 ) ( 2 - 2 2 ) 更新粒子群体隶属度和适应度值; 1 0 更新局部极值p i d ( t ) 和全局极值p g d ( t ) ; 1 1 ) 迭代次数t = t + l ,并返回步骤( 6 ) ; 1 2 输出的全局极值作为矢量量化的初始码本; 1 3 计算相邻两代隶属度矩阵之差e ,若e e ,停止,结束迭代;否则转至l j ( 1 4 ) ; 1 4 根据式( 2 1 2 ) 更新群体聚类中心,返回( 1 3 ) 。 图2 - 3p s v g f k v q 算法流程示意图 2 1 电子科技大学硕士学位论文 2 3 4 基于改进粒子群的模糊核说话人识别 使用2 3 2 节中介绍的p s v g f k v q 对说话人的语音特征矢量集进行矢量量化, 得到说话人训练语音的m 个码书,作为每个说话人的模
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 六年级语文上学期整本书阅读《童年》期末复习教学设计
- 初中语文七年级下册紫藤萝瀑布教学设计与实施
- 高二英语选择性必修二 Unit 5 Reading and Thinking 语篇深度解读与默写训练教学设计
- 初中语文九年级中考作文选材教学设计
- 小学五年级美术《生活中的标志》教学设计
- 高一英语必修第一册Unit 3 Sports and fitness 单元整体教学设计
- 高一体育五步拳教学设计
- 小学四年级劳动教育煎牛排教学设计
- 小学四年级劳动《花瓶罩饰》项目化教学设计
- 八年级语文下册第三单元养性怡情知识清单教学设计
- 抖音直播运营中心薪酬绩效考核实施管理方案
- 2026年学生入团考试题库及参考答案
- 2027届河南省部分城市联考高三上学期11月阶段检测历史试题(含答案)
- 2026年宁夏水务投资集团有限公司招聘笔试参考题库附带答案详解析版
- 2026秋北师大版选择性必修第一册Unit 1-3 句子语法填空练习(备考期中)
- 智能体电脑行业王伟东白皮书
- 秦皇岛市建设现代有轨电车项目调研报告
- 2026秋新教材苏教版五年级上册数学第七单元 用字母表示数量关系(一) 教案(共7课时)
- 《中药炮制技术》教案-13模块十三 其他炮制技术
- 2026年辅警笔试的题库及答案
- 多模式镇痛在加速康复外科中的应用现状
评论
0/150
提交评论