基于VQ的说话人识别技术研究

说话人识别是语音识别的一种特殊方式,其目的不是识别语音内容,而是识别说话人是谁,即从语音信号中提取个人特征。采用矢量量化（VQ）可避免困难的语音分段问题和时间归整问题,且作为一种数据压缩手段可大大减少系统所需的数据存储量。通过说话人识别相关技术的研究,提出并设计了一个基于VQ的说话人识别系统,实验证明,当用于训练的数据量较小时,可以得到比较稳定的识别性能。     

基于加权特征值补偿的说话人识别

背景噪声的存在,使得说话人识别系统的训练环境和测试环境发生失配,导致系统性能发生急剧下降。本论文提出一种加权特征值补偿算法,把由噪声引起的使带噪语音信号特征值与纯净语音特征值发生偏差的部分去除,从而使进入识别器的特征值接近纯净语音的特征值。在特征值补偿过程中引入了信噪比加权的方法。实验表明,这种方法能够有效的提高说话人识别系统的性能。     

基于说话人分类技术的分级说话人识别研究

识别正确率和抗噪性能固然是说话人识别的研究重点,但识别响应速度也是决定系统实用化的关键所在.本文成功地提出了基于说话人分类技术的分级说话人辨识方法,极大地提高了系统运行速度,随着注册说话人数的增多,较之传统的说话人辨识方法,其优势更加明显.同时在说话人确认中,该方法的使用,进一步提高了确认的正确率,有效地降低了错误接受和错误拒绝率.本文提出的可信度打分方法,也一定程度上改进了系统的性能.实验表明:基于说话人分类技术的说话人辨识方法使系统的运行速度平均提高了3.5倍,对说话人确认等误识率和最小误识率平均下降了53.75%.     

说话人识别综述

在分析说话人识别原理和方法的基础上,对近年来说话人识别技术的发展进行了综述。分析了当前说话人识别技术中使用的多种特征和模式识别方法,并对其今后的研究前景和发展方向进行了展望。     

说话人识别的几种方法

以说话人识别的几个关键问题为纲,说明了国内外现有的识别方法和结果,以及存在的问题和难点,并提出了一些新想法。     

说话人识别研究综述

说话人识别是语音信号处理中的重要组成部分,是当前的研究热点之一。详细介绍了说话人识别的基本原理,从特征提取、模型训练和分类等几个方面就近年的主要研究情况进行综述和评价,并在此基础上探讨了研究难点和发展前景。     

说话人识别技术探讨

介绍了说话人识别技术的基本概念和发展历史,列举并比较了几种常用的特征提取和模式匹配方法,总结了当前存在的问题并对其发展进行了展望.     

说话人识别中语音特征参数的研究

一般的说话人识别系统包括特征提取和识别模型两部分，其中特征参数的选择对系统的识别性能有关键性的影响，现就特征提取展开研究，介绍了各种常用的语音特征参数及目前主流的两种参数的提取过程，并论述了小波分析应用于语音特征参数提取中的优势。     

基于少量训练样本的说话人识别研究

在ＨＭＭ的基础上,针对少量的训练样本情况,提供了一种新的训练算法—ＭＣＥ（Ｍｉｎｉｍｕｍ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｅｒｒｏｒ）算法,并利用该算法建立了一个局部范围内不依赖于文本的说话人辨认系统,当每个说话人的样本训练量为１０时,系统识别的正确率达到了９７．１４％。     

基于因特网的说话人识别技术研究

比较了基于因特网的说话人识别技术中Mel倒谱特征各阶参数的抗噪性能，并分析和验证了交织及丢失数据替代技术对改善基于因特网的说话人识别系统性能的重要作用。     

基于聚类统计与文本无关的说话人识别研究

从语音信号特征矢量的空间映射出发,在二元分裂算法的基础上提出了一种裂合并的聚类算法,并用于与本文无关的说话人识别研究,初步建立了基于聚类统计的开放系统,该系统用说话人语音信号在特征空间的分布中心建立参考模板,用聚类统计中心代替待识语音段的特征矢量进行了模式匹配计算,系统规模的越大,节省的计算量就越多。在小规模说话人辨认系统的实践研究中,研究了特征矢量的加权,语音段的时长以及a因子的选择对系统性能的影响。     

说话人识别技术综述

本文从技术发展和新成果出现的角度，展示了说话人识别技术的历史和现状，着重介绍了一些典型的说话人识别模型和这些模型用到的新方法。展望了说话人识别技术的未来发展。     

语音识别说话人自适应研究现状及发展趋势

说话人自适应是提高非特定人语音识别系统识别性能的有效手段.本文介绍了说话人自适应研究的现状,包括自适应的不同方式和不同算法,并详细介绍了目前应用最为广泛的MLLR算法和MAP算法.本文还给出了对说话人自适应研究发展趋势的预测.     

基于修正EM算法的说话人识别的研究

提出了针对说话人识别的GMM模型训练的新方法。理论推导和实验结果表明,与GMM常用的传统EM算法相比,提出的新算法能够解决训练中会出现奇异阵的问题,并能提高系统识别率。     

文本无关的说话人识别研究

介绍说话人识别技术发展情况,阐述包括特征提取、识别算法和区分算法在内的文本无关说话人识别系统的整体技术框架和基本工作原理针对文本无关说话人识别相关技术给出了近几年主要发展的高斯超向量—支持向量机模型(GSV-SVM)、联合因子分析模型(JFA)和鉴别性向量(i-vector)模型,并对3种模型进行了分析比较:指出GSV-SVM模型可以提高识别系统性能;JFA模型能提高系统性能但计算量过大,难以实现应用;i-vector模型降低了计算量,并能提高识别精确度和效率,是目前的研究热点。最后指出当前文本无关说话人识别的研究难点和热点。     

说话人识别技术及其应用

说话人识别技术作为一种身份识别的手段具有独特的优势，是语音信号处理中的重要组成部分，近年来也逐渐成为国际上研究的热点。综述了说话人识别技术的发展及其相关技术，对现有的各种方法的优点和不足进行了分析，并对其在军事上的应用进行了探讨。     

基于MVQM的说话人识别的研究

提出了一种新的说话人识别方法。该方法综合了VQ和GMM的优点,通过用VQ误差尺度取代传统GMM的输出概率函数,减少了建模时对训练数据量的要求,提高了识别速度。实验结果证明了该方法的有效性。     

HMM 在说话人识别中的应用

本文介绍了隐马尔可夫模型在自动说话人识别中的应用,指出了目前说话人识别技术中存在的一些问题和今后需要的课题。     

基于小波包-LPCC的说话人识别特征参数

论文研究了小波包变换及LPCC参数的提取，在此基础上，提取了基于小波包变换和LPCC的新参数（DWT-LPCC），并基于GMM系统进行说话人识别实验。结果表明，相对于LPCC参数，DWT-LPCC参数大大提高了噪声环境下的说话人识别率。     

基于多特征有效组合的说话人识别

通过分析当今说话人识别系统中常用的一些特征参数，以提高说话人识别的识别率为目的，在Matlab 6．5软件环境下提出了将Mel频率倒谱(MFCC)、线性预测倒谱(LPCC)及他们的一阶差分和基音周期等多种特征有效结合进行说话人识别的方法。采用短时自相关法提取基音周期，在识别过程中采用改进的动态规整算法，将模板的匹配过程与检验量的计算分离开，每帧给出一个说话人辨认结果，最后综合各帧的辨认结果，得出最佳匹配结果。经过多次实验证明，采用以上方法使用多特征有效结合比单个使用各种特征效果要好，能在一定程度上提高系统区分说话人的能力。