基于PNDM算法的说话人识别系统

矢量量化（VQ）是一种广泛应用于说话人识别系统的算法,基于对各说话人空间矢量内的相关性的研究,结合PNDM算法,利用Matlab软件对说话人识别系统进行研究。经实验结果证明,该方法有效增加了说话人间的区分性,提高说话人识别系统的识别率。     

基于Mel子带的鲁棒性说话人识别系统

在分析各个Mel子带抗噪性能的基础上，提出了鲁棒性的说话人识别算法，经实验结果证明，在噪声环境下此算法能有效地提高说话人识别系统的识别率。     

基于GMM的说话人识别系统研究

说话人识别技术(声纹识别技术)以其独特优势在信息安全领域的应用逐渐增大.本文概括叙述了说话人识别的基本概念;介绍了在模拟噪声环境下,采用新特征提取算法的基于GMM的说话人识别系统的设计原理以及实现.测试结果表明,说话人辨认识别率达到96%以上.     

基于GMM的说话人分类自适应算法

本文提出了一种基于GMM（Gaussian Mixture Model）的说话人分类算法,主要介绍了GMM模型和具体实现以及基于GMM的说话人分类算法在关键词检测系统中的应用。实验结果证明,该算法计算量小、实现速度快,能够提高系统的识别率,扩大应用人群范围,在中小词汇表识别系统中有关非常广阔的前景。     

MFCC和LPCC特征参数在说话人识别中的研究

特征提取是说话人识别系统中的一项关键技术,讨论了在说话人识别中语音特征的提取,详细介绍了求取MEL倒谱系数MFCC和线性预测倒谱系数LPCC的具体步骤和算法,并对MFCC和LPCC语音特征参数做出了理论分析和实验数据比较,通过实验论证了对于低频语音,采用MFCC参数的说话人识别在屏蔽噪音和抗噪声能力都优于采用LPCC参数的说话人识别.     

基于遗传算法的码本设计及其在说话人识别中的应用

矢量量化方法是与文本无关的说话人识别系统中广泛应用的建模方法之一.在矢量量化过程中,经典的LBG算法收敛速度快,但极易收敛于局部最优点,无法保证根据有限样本数据得到最优码本,并最终影响系统识别性能.本文提出了一种基于遗传算法并结合LBG算法的码本设计方法.该方法通过遗传操作获得全局优化的说话人模板,把新的识别算法应用于说话人识别的实验.结果显示,对于一个小的码本集,新的码本算法比经典的LBG算法具有更好的识别性能.     

一种改进的高斯混合模型算法

建立声学模型是说话人识别技术的重要环节，一种好的建模方法对说话人识别系统的识别率具有极其重大的影响。本文介绍了一种改进的高斯混合模型算法——将聚类算法与传统高斯混合模型结合起来的建模方法，并对此种建模方法得出的识别效果与传统的高斯混合模型进行了比较。从对比结果可以看出，基于聚类的高斯混合模型的说话人识别相对于传统的高斯混合模型在识别率上有所提高。     

矢量量化技术在说话人识别中的应用

矢量化(VQ)是一种及其重要的信号压缩方法,广泛应用于语音信号压缩等领域。说话人识别系统利用所建的VQ码本保存了说话人一定的声道特性,来进行说话人识别,完成这个识别系统有两个步骤:一是建立参考模型码本;二是进行模式匹配。     

基于UBM降阶算法的高效说话人识别系统

为了提高基于高斯混合模型-通用背景模型（GMM UBM）说话人识别系统的运算速度,提出了通用背景模型（UBM）降阶算法,该方法采用极大似然估计法训练一个高阶UBM,再采用UBM降阶算法得到低阶UBM.采用最短距离高斯分量替换空映射集合的方法解决了空映射集问题.通过实验方法分析了3种初始化低阶UBM方法的识别结果,发现不同的初始化方法对结果影响很小.在NIST2001 SRE数据库上的实验显示,该算法使基于GMM UBM说话人识别系统的运算速度提高了8倍,而等错误率仅上升了459%,表明了UBM降阶算法在小幅降低系统识别率的情况下,可大幅度提高GMM UBM系统的运行效率.     

基于VQ-SVM的说话人识别系统

说话人识别系统通常是将在安静的环境下训练得到的参数应用于实际环境中。如果实际环境也是安静的,则说话人识别系统可以令人满意地工作。然而,当实际环境中有噪声存在时,说话人识别系统性能急剧下降。为了让说话人识别系统在安静的环境和有噪声的环境中都获得令人满意的工作性能,研究了一个将支持向量机(SVM)在矢量量化(VQ)系统上进行二次识别来提高说话人识别率的方法。通过引入阈值自适应,从而提高系统性能。实验表明,在噪声环境下,与VQ,SVM识别方法相比,此方法在对识别速度影响很小的情况下可以使识别率明显提高。此方法具有良好的应用前景和进一步研究的价值。     

一种基于混合神经网络的说话人识别系统

目前说话人识别系统的识别率已经达到较高的水平,但是在应用系统的整合方面还存在一定的问题,比如其算法的复杂度高,不易于低成本的硬件实现等都限制其达到普及化.针对这样的问题,提出一种高性能、结构简单的基于自组织映射(SOFMNN)和概率神经网络(PNN)的混合神经网络分类器以取代目前常用的高斯混合模型(GMM)分类器.实验结果表明,混合神经网络分类器在识别率、识别速度和存储量上都优于高斯混合模型分类器.混合神经网络模型是一种高性能、高效率的说话人识别系统,该系统在说话人识别中将会有很好实用价值.     

基于GMM-UBM的说话人确认系统的研究

在基于GMM的说话人确认系统中,模型的训练是为每个说话人的语音建立模型,然后通过一定的算法找到一组参数λ,使似然概率最大。文中通过对GMM的研究提出一种改进的模糊C均值算法（FCM）并将改进后的算法应用到模型初始化中。同时,GMM在话者确认时,语音数据不足会导致识别率下降,本文采用能覆盖话者语音的高斯混合模型．通用背景模型（GMM－UBM）作为识别模型,通过算法比较及实验分析可知,改进算法后的系统在识别率上明显优于传统的基于GMM的说话人识别系统。     

基于GMM-UBM的说话人确认系统的研究

在基于GMM的说话人确认系统中,模型的训练是为每个说话人的语音建立模型,然后通过一定的算法找到一组参数元,使似然概率最大。通过对GMM的研究提出一种改进的模糊C均值算法（FCM）并将改进后的算法应用到模型初始化中。同时,GMM在话者确认时,语音数据不足会导致识别率下降．采用能覆盖话者语音的高斯混合模型-通用背景模型（GMM—UBM）作为识别模型,通过算法比较及实验分析可知,改进算法后的系统在识别率上明显优于传统的基于GMM的说话人识别系统。     

一种鲁棒的说话人识别新特征

说话人识别系统不可避免地会受到噪声的影响,导致性能急剧降低,针对这一问题采用感知最小方差无畸变响应(PMVDR)技术,提出了一种新的语音特征提取方法.该特征基于平移差分倒谱算法,成功地融入了说话人语音的长时信息.所提取的特征不仅在干净环境下能取得良好性能,而且在混噪语音以及信道失配等声学条件下也优于目前主流的特征.在YOHO数据库和ROSSI数据库上的实验结果表明,新特征在噪声和信道畸变的情况下能有效提高识别系统的鲁棒性.     

提高多说话人孤立数字语音识别率的一些措施

本文介绍了连续密度隐马尔可夫模型(HMM)多说话人孤立数字语音识别系统,以及我们提出的几种提高多说话人孤立数字语音识别率的措施.     

遗传算法优化BP神经网络的说话人识别系统

针对BP神经网络收敛速度慢、容易陷入局部极小的缺陷,将遗传算法全局寻优的特点与BP神经网络相结合,利用遗传算法对神经网络的权值和阈值进行优化,构成一个GABP神经网络,有效地解决了BP神经网络容易陷入局部最优的问题。实验结果表明:相对于BP神经网络的说话人识别系统,基于GA-BP神经网络的说话人识别系统具有更快的网络收敛速度和更高的系统识别率。     

MATLAB环境下基于矢量量化的说话人识别系统

在MATLAB环境下实现基于矢量量化的说话人识别系统.在实时录音的情况下,利用该识别系统,对不同人的1-7 s的语音进行辨识,准确率可达到98%.识别时间根据使用人数的不同,测试语音长度的不同辨识时间从1-20 s,实现与文本无关的自动说话人确认的实时识别.     

基于矢量量化方法的说话人识别技术

说话人识别是一项通过语音来识别说话人身份的技术，它在保安、司法、军事、财经和信息服务等领域都具有广泛的应用前景。该文采用线性预测倒谱系数和美尔倒谱系数特征相结合，基于矢量量化聚类方法建立了一个与文本无关的、连续语音发音的说话人识别系统。只要矢量量化聚类法码本大小选择合适，该说话人识别系统就可以获得较好的识别效果。当阈值恰当选取时，该系统具备拒绝识别集外人的功能。     

改进的支持向量机SMO算法说话人识别系统研究

支持向量机是统计学习理论的一个重要的学习方法,也是解决模式识别问题的有效工具.本文把支持向量机应用在说话人识别系统中,对支持向量机的SMO算法进行了论述,并对SMO中有关两个待优化拉格朗日乘子的选取做了改进,用简单的排列算法取代函数集中的遍历操作来使目标函数值下降,实验证明SMO算法具有占用内存少,运算速度快等优点,本文中的SMO改进算法可以节省50%时间.     

说话人计算机识别系统的设计与实现

介绍了说话人计算机识别系统的基本原理和研究现状,通过对多种可能方案的比较和选择,设计出了一个说话人识别系统,该系统用汉语的6个单韵母作为录入语音,使用了包括短时平均幅度、短时平均过零率、倒频域分析技术和线性预测分析技术等来完成语音的端点检测和语音个性化特征参数的提取,在Windows环境下用MATLAB完成了系统的开发,使系统短小精悍,并取得了较好的实测效果。