【声纹识别中说话人辨识与说话人确认分析2800字】

声纹识别中说话人辨识与说话人确认分析目录TOC\o"1-3"\h\u316声纹识别中说话人辨识与说话人确认分析 111933（一）语音特征提取——Mel频率倒谱系数 222056（二）说话人辨识——高斯混合模型 348461.单高斯模型 4151302.混合高斯模型 432016（三）说话人确认——人工卷积神经网络 6声纹识别，即说话人识别的最终任务可分为两个大类：说话人辨识(SpeakerIdentification,SI)与说话人确认(SpeakerVerification,SV)。这两种任务的本质均为根据测试者在测试环境下说出的测试语句或关键词所获得测试语音，以及从测试语音信号中所提取出的特征参数判定说话人的身份。主要方法是将提取出的特征参数与存储在数据库中用户的注册特征参数进行比对，进而判断测试者的身份。说话人辨识任务与说话人确认任务的不同之处在于：说话人辨识任务需要根据测试语音，在指定的一群人当中，通常是在所有注册用户的数据库中，判断出该语音由哪一位用户说出，如图3-1所示，该过程可表示为；而说话人确认任务则只需要根据给定的测试语音，与用户的注册特征参数，给出“是”或“否”的判断，如图3-2所示，该过程可以表示为。1图3-1说话人辨识示意图图3-2说话人确认示意图在两种说话人识别系统中，说话人辨识类型的系统，由于需要对多个用户的特征库进行比对，其准确率会随用户数量的增加而下降。由于说话人确认系统实际上可以看作说话人辨识系统在只有一个用户时的特殊情况，因此在准确性方面，说话人确认系统要明显高于说话人辨识系统。在准确度较高的同时，说话人确认系统却无法应用于多用户的情景。在说话人识别任务中，两种方法各有特点，因此本文提出了一种先辨识，后确认的说话人识别模型。取得用户测试语音后，首先经过对语音的预处理并提取其特征参数，本文采用语音信号的Mel倒谱系数——MFCC作为特征参数。随后将该参数通过概率统计的方法，即高斯混合模型(GaussianMixtureModel,GMM)，分别计算出该测试语音与数据库中用户特征参数匹配的概率，根据概率大小对其进行排序，并根据设置的门限阈值筛选出“可能”的用户。筛选出“可能”的用户后，再通过由卷积神经网络设计的说话人确认系统最终确定测试语音说话者的身份。（一）语音特征提取——Mel频率倒谱系数人类的听觉系统是通过感受空气等声音传播介质的振动信号来获取声音的，但其对不同频率的信号感知却呈现非线性关系：人耳对1000Hz以下的声音信号感知呈现近似线性相关的关系，但对于更高频率的信号感知的近似线性关系却转换到了对数尺度上。通过大量实验研究，人们此关系设计出了Mel滤波器组，并得出语音信号的一种重要特征参数——Mel频率倒谱系数(MelFrequencyCepstralCoefficients,MFCC)，其示意图如图5-3所示。图3-3Mel滤波器组示意图根据声音的这一特性，科学家们又提出了一种名为Mel频率的概念。Mel频率与普通频率的关系如式3-1与图3-4所示。(3-1)图3-4Mel频率与普通频率关系图Mel频率倒谱系数的提取过程如下：(1).完成对声音信号的分帧与加窗工作，并将每帧的声音信号通过快速傅里叶变换(FastFourierTransform,FFT)将其从时域转换到频域，得到声音信号的频谱。(2).求频谱平方得到其谱线能量。(3).将谱线能量通过Mel滤波器组，并对其结果求对数后进行离散余弦变换，最终获得声音信号的Mel倒谱系数——MFCC。图3-5MFCC提取过程示意图（二）说话人辨识——高斯混合模型在说话人辨识时，需要进行模型匹配相似度分析，以此判断用户身份。高斯混合模型是一种常用的变量分布模型，可以较好的模拟任意形状的分布。研究表明，声纹很少严格遵从某个特定分布，但是大部分分布可以用高斯混合模型近似模拟。高斯混合模型有单高斯模型和混合高斯模型两类，混合高斯模型基于单高斯模型，在其基础上进行加权延伸。1.单高斯模型单高斯模型的多维高斯（正态）分布概率密度函数定义如下：(3-2)其中，为单高斯模型的期望，为该模型的方差该模型有如下的几何意义：在二维空间下，单高斯模型的数据主要集中在一个椭圆内部，在三维空间下，数据集中在椭球内部，如图3-6所示。图3-6单高斯模型示意图2.混合高斯模型在上一小节中，单高斯模型适用于同一类别的样本处于同一椭圆或椭球的情况，但是实际生活中，数据很难满足如此分布，如图3-7(a)所示假设数据是由单高斯分布产生，以此训练得出的高斯分布模型如图3-7(b)所示。若此模型正确，由概率统计相关内容可知，样本数据应该集中在椭圆中心。而图3-7(c)中的采样数据却明显更集中分布于拟合出椭圆形状的外围。所以显然在此情形下，单高斯分布的假设并不能很好地体现出。大部分数据很难拟合为单高斯模型，但是可以由若干个高斯模型混合而成。实际上，本图就是两个不同的高斯分布产生的数据，如图3-7(c)所示，因此必然无法通过单一的高斯模型完成较为合适的模型拟合工作。(a)(b)(c)图3-7单高斯模型与混合高斯模型高斯混合模型(GaussianMixedModel,GMM)是单一高斯模型密度函数的延伸。它求解若干个高斯模型，然后通过一定权重将其混合为一个模型，称为高斯混合分布。这些数据的分布可以有通过如下方式进行加权：(3-1)(3-2)其中是各个数据的权重，每个高斯分布叫做一个积累元。理论上可以取至无穷大，该模型也可以逼近无限复杂，逼近任意连续的概率密度分布。用此模型去差别样本所属的分类需要以下步骤：(1).随机选择一个聚类元，其概率为(2).将样本代入训练后的聚类元中代入并判断是否是这个类别，若不是则重复以上步骤。若假设数据点服从某个分布，则需要确定参数的数值。此时需要用到似然函数，即通过使得样本集的联合概率最大进行参数估计，从而选择最佳的分布模型。似然函数每个数据的概率很小，易造成计算不便，所以一般取对数为对此式求导并令其为０，得出的参数就是最佳的高斯分布对应的参数。要找到最值的模型参数，还需要用最大化期望算法(Expectation-Maximizationalgorithm,EM)求解。（三）说话人确认——人工卷积神经网络传统的说话人确认模型，包括概率统计与普通的全连接神经网络在工作时，只是通过结果对数据进行近似的拟合，却并未考虑数据本身各元素之间的关联。常用声音信号的特征参数MFCC有多个阶，且每一阶的信号都是根据时间进行排列的向量，因此推断出其对应相邻元素之间存在一定关联。而具有相似特征的一种常见实验即为图像识别实验。受图像识别实验的启发，本文选择卷积神经网络(ConvolutionalNeuralNetworks,CNN)完成说话人确认工作。卷积神经网络的是指含有卷积层(ConvolutionalLayer)的神经网络，其中最常见的为二维卷积层。但由于直接进行卷积其计算量过于庞大，因此本文采用二维互相关运算代替卷积运算，二维互相关运算示意图如图3-8所示。卷积神经网络中通常还涉及池化操作，在神经网络中加入池化层以缓解卷积层对位置的过度敏感性。本文采用最大池化的方法，其过程如图3-9所示。图3-8互相关运算示意图图3-9池化过程示意图其中，二维互相关运算的过程为，通过一个名为“卷积核”的卷积窗口，从左到右，从上到下一次在输入矩阵上进行滑动。每滑动到一个位置则对卷积窗口内的输入子矩阵按元素进行相乘并求和，得到相应位置的元素。图3-8所示互相关运算过程可如式(3-3)所示。同卷积层一样，池化层每次对输入