论文部分内容阅读
随着话者确认系统实用性要求越来越强烈,不仅需要系统在干净的实验室条件下取得较好的效果,还需要在各种复杂背景下有着较好的鲁棒性。信道一直是影响话者确认的最大因素之一,由于通信线路的复杂性以及话筒的多样性,经常使得训练与测试语音信道失配,导致确认性能的急剧下降。本文首先分析了基于概率统计模型和基于区分性辨别模型的话者确认系统,给出一种将概率统计模型与区分性辨别模型相结合的话者建模方法,然后结合当前的一些信道失配补偿方法,给出了基于因子分析信道失配问题的解决方案。主要研究内容如下:1、针对经典的概率统计模型区分性不足,而区分性辨别模型对话者个性信息描述不够准确的问题,本文给出了一种两者相结合的GMM-SVM话者确认方法,利用GMM作为前端特征变换和聚类,然后采用基于支持向量机的方法进行区分性话者模型训练和测试,结合了概率统计模型和区分性辨别模型的优点。在Nist数据库上的对比实验表明区分性训练可以大大改善基于概率统计模型的系统性能。2、针对复杂环境中话者确认的信道失配问题,给出了一种基于GMM_UBM系统框架下简化的因子分析算法。将相关系数的MAP与因子分析的方法相结合,将因子分析的复杂度大幅降低并且在估计出信道空间后,采用特征映射方法将前端特征参数中的信道信息进行去除,将因子分析限制在前端处理参数,保留了GMM_UBM框架,大幅减少了计算量。3、为了融合因子分析和区分性辨别模型的优点,本文提出一种将因子分析与支持向量机相结合的话者确认方法,将去除了信道信息的GMM大矢量作为SVM话者确认系统的输入参数,融合了辨别模型的优越性,实验证明了该方法比基于GMM_UBM系统框架下的因子分析方法在系统性能上又有了进一步的提高。