一种具有强分类能力的离散HMM训练算法

提出了一种具有强分类能力的离散HMM(hiddenMarkovmodels)训练算法.该算法利用矢量量化技术将来自不同话者的训练数据进行混合训练,以生成包含各个话者特征的话者特征图案.用该特征图案代替经典的离散HMM中的VQ码本,可以提高观察值符号序列的模式辨识能力,从而提高了离散HMM的分类能力.给出了该方法用于文本有关的话者识别的实验结果,表明该算法可提高系统的识别性能,并要降低HMM对训练集大小的依赖程度,且识别时计算量明显小于经典HMM训练算法,具有较大的实用价值.     

高阶MFCC的话者识别性能及其噪声鲁棒性

在一个以MFCC为特征参数的语音识别系统中,人们通常采用低阶的MFCC系数作为语音帧的特征矢量.本文对MFCC的高、低阶系数在与文本有关的话者识别中体现出的识别性能和噪声鲁棒性分别进行了实验分析,发现高阶的MFCC系数在干净环境下对于话者识别而言具有与低阶MFCC系数相当的识别性能,并且当环境信噪比恶劣时,高阶的MFCC系数表现出比低阶MFCC系数更强的噪声鲁棒性.基于这个结果,本文将高阶系数的取值范围进一步向低阶拓展,只滤除最易受噪声影响的几个系数,并与Delta参数相结合形成新的特征矢量.实验证明,这种经过适当选取的MFCC系数同时具有良好的话者识别性能和噪声鲁棒性.     

鲁棒性话者辨识中的一种改进的马尔科夫模型

为了提高话者识别系统的噪声鲁棒性,本文对CHMM 进行了改进,将每帧特征参数之间的差分参数来对应状态之间的转移,从而使帧间信息在模型中得到了体现.利用改进后的CHMM模型对不同的特征参数携带的信息进行信息融合.使得在强噪环境下,鲁棒性好的特征参数起主导作用,而在噪声比较小的环境下,精细度高的特征参数起主导作用.实验证明,这种改进的马尔可夫模型明显提高语音识别系统的鲁棒性能,这种技术具有良好的发展和应用前景.     

基于子带HMM和MLP的话者确认系统的噪声鲁棒性研究

噪声鲁棒性是影响话者确认系统实用化的关键问题之一，为了提高系统的噪声鲁棒性，本文设计了基于子带隐Markov模型（HMM）和多层感知机（MLP）的话者确认系统，系统由多个子带系统所构成，对每个子带分别建立基于背景模型的连续HMM话者确认模型，采用MLP对各个子带HMM的输出进行非线性拟合，并利用MLP直接做确认判决，在与文本有关的话者确认实验中，本文提出的模型较常规基于背景模型的HMM话者模型在确认性能和噪声鲁棒性上均有所提高，实验进一步表明，利用MLP进行拟合和判决在一定程度上解决了话者确认阈值设置的困难，有效地提高了确认系统的鲁棒性。     

基于离散小波变换和感知频域滤波的语音特征参数

为了提高语音识别系统对环境噪声的鲁棒性,本文通过对几种特征参数的噪声鲁棒性的研究,在感知倒谱分析的基础上,引入了多分辨率小波分析技术,利用小波变换的时频局域性并结合感知频域上的滤波技术,提出了一种新型的语音特征参数,该特征参数对于环境噪声具有很强的耐噪性。     

基于HMM-UBM和短语音的说话人身份确认

提出了一种简单有效的与说话人有关的阈值设置方法 ,同时在确认系统中采用高斯混合模型(GMM)作为背景模型来模拟未知的冒认者的语音 ,在冒认文本多样化的情况下获得了比用隐马尔可夫模型(HMM)作背景模型更好的性能 .本文在此基础上实现了一个基于Internet的与文本有关的远程语音身份认证系统 ,在实验测试和应用测试中均获得了满意的确认性能 .