基于幀級(jí)和段級(jí)稀疏表示的說話人識(shí)別研究

1、基于幀級(jí)和段級(jí)稀疏表示的說話人識(shí)別研究經(jīng)過研究者的不懈努力,說話人識(shí)別的研究工作已經(jīng)取得了重大進(jìn)步,然而距離具體實(shí)用還有一定差距。不斷提高說話人識(shí)別系統(tǒng)的性能是一個(gè)重要的研究課題。說話人識(shí)別對(duì)于人類聽覺系統(tǒng)而言是一個(gè)非常簡單的任務(wù),但是對(duì)于計(jì)算機(jī)聽覺系統(tǒng)而言,現(xiàn)有識(shí)別算法的性能還遠(yuǎn)沒有達(dá)到人類聽覺系統(tǒng)的水平。理解人耳的工作機(jī)理從而構(gòu)建一套自動(dòng)的識(shí)別系統(tǒng)來模擬人類的聽覺能力,具有重要的意義。在信號(hào)處理領(lǐng)域,稀疏表示模擬了人耳的聽覺特性,對(duì)噪聲具有較好的魯棒性。因此,本論文以在信號(hào)處理和神經(jīng)科學(xué)領(lǐng)域受到廣泛關(guān)注的稀疏表示模型為理論基礎(chǔ),從稀疏表示的字典構(gòu)建入手,分別研究使用短時(shí)和長時(shí)信號(hào)特征來構(gòu)建

2、幀級(jí)和段級(jí)字典,并基于兩類字典來進(jìn)行說話人識(shí)別的方法。本文的主要研究工作如下:1、為反映聽覺神經(jīng)元對(duì)輸入語音信號(hào)的響應(yīng),首先對(duì)基于幀級(jí)字典分解后的每幀稀疏表示系數(shù)向量進(jìn)行量化處理,利用量化處理后與各稀疏表示系數(shù)相對(duì)應(yīng)原子的激活情況來反映聽覺神經(jīng)元對(duì)輸入的響應(yīng)。接著,將隨時(shí)間變化的多幀語音序列的原子激活情況作為原子的整體活躍度來代表說話人的整體信息。為了避免說話人數(shù)據(jù)量少時(shí),使用高斯混合模型無法有效刻畫說話人的原子活躍度的分布問題,通過使用kurtosis高階統(tǒng)計(jì)量來計(jì)算原子活躍度的分布情況,并以此作為模型來進(jìn)行說話人識(shí)別。2、為提取噪聲環(huán)境下魯棒的說話人特征,利用判別字典學(xué)習(xí),將學(xué)習(xí)獲得的幀級(jí)

3、語音字典和幀級(jí)噪聲字典合并構(gòu)建成聯(lián)合字典。對(duì)帶噪語音的每幀特征在聯(lián)合字典上進(jìn)行稀疏分解后,忽略掉在噪聲字典上分解后的系數(shù),而只將在語音字典上分解后的稀疏表示系數(shù)向量作為該幀的特征。進(jìn)一步地,對(duì)多幀語音序列的稀疏表示系數(shù)向量組進(jìn)行最大值池化操作和平均值池化操作,從而獲得說話人的全局特征表示,進(jìn)而來進(jìn)行說話人識(shí)別。為增加多類說話人識(shí)別中不同類別字典間的差異,以改進(jìn)說話人識(shí)別性能將判別學(xué)習(xí)準(zhǔn)則引入到段級(jí)字典構(gòu)建上。在字典學(xué)習(xí)時(shí),一方面考慮每類字典的類別信息,以最小化同類字典表示訓(xùn)練樣本時(shí)的重構(gòu)誤差,另一方面通過引入Fisher判別準(zhǔn)則,能使稀疏表示系數(shù)的類內(nèi)誤差最小、類間誤差最大。進(jìn)而獲得更具判別能力的段級(jí)字典。同時(shí),也保留每類訓(xùn)練樣本在其學(xué)得的段級(jí)字典上稀疏分解后的系數(shù)的均值作為一種先驗(yàn)信息,在進(jìn)行識(shí)別時(shí)將這種信息與重構(gòu)誤差一起作為識(shí)別結(jié)果判定的依據(jù)。為充分利用多類說話人信息,由于語音在不同類別字典拼接所形成的字典上進(jìn)行稀疏分解時(shí),所獲得的稀疏表示系數(shù)間具有連續(xù)分組的結(jié)構(gòu),且同組內(nèi)稀疏表示系數(shù)間具有相關(guān)性,我們通過使用塊稀疏