基于PSOA聚类和KMP算法的说话人识别方法

在说话人识别领域,MFCC特征参数得到了广泛的应用,但是MFCC特征参数包含了语义信息、语种信息和说话人信息等多种信息,所以存在参数中说话人个性特征信息不明显的问题,而且将MFCC应用于SVM分类器时受Mercer准则的限制.针对以上问题,提出了一种将PSOA聚类与核匹配追踪算法(KMP)相结合的说话人识别方法,首先通过PSOA聚类算法将MFCC特征参数进行变换处理,得到精简的MFCC特征参数,然后利用KMP算法对核函数形式没有任何限制的特性,对精简后的MFCC特征参数进行分类训练和识别.实验结果表明,基于PSOA-KMP的说话人识别方法相比GMM-UBM识别方法,在EER性能上相对提高了38％.     

基于i-vector局部加权线性判别分析的说话人识别

基于i-vector的说话人识别系统通常采用LDA来消除训练和测试语音之间信道失配,不能保证样本在待识别语音近邻区域内具有最佳的分离度,这就使得目标说话人和其近邻间的得分差异较小,进而导致识别准确性下降。针对该问题,提出基于i-vector局部加权线性判别分析的说话人识别方法(LWLDA)。在计算类内和类间散度时,增加待识别语音近邻样本权重。在此基础上,通过提高待识别语音近邻域局部类间的分辨能力,尽可能减少因信道差异而产生的识别错误。在不同语音库上的实验结果表明:LWLDA在复杂信道环境下能够保持良好的鲁棒性;在交叉信道条件下的识别准确率比LDA平均提高3.6%。     

基于改进VQ算法的说话人识别

介绍了基于改进矢量量化(VQ)方法的说话人识别系统.该系统采用了能够反映人对语音感知特性的Mel频率倒谱系数(MFCC)作为特征参数,对VQ训练时码书的形成算法作了一些改进,并提出了一种去空胞腔分裂法的优化算法.实验证明,此优化算法减少了矢量量化失真,同时改善了量化的性能.     

基于排列熵和GMM的说话人识别系统

文章设计的说话人识别系统,采用基于排列熵的端点检测算法,对采集的语音信号提取能够反映人对语音的感知特性的Mel频率倒谱系数(MFCC)进行矢量量化.设计的GMM模型通过实验调整模型参数,对说话人进行识别取得了很好的结果,鲁棒性、识另惜果、系统计算量、复杂度都比较令人满意.     

基于维纳滤波和混合模型的说话人识别

在说话人识别系统中,训练和测试环境的不匹配会造成识别性能的显著下降.把小波变换和维纳滤波结合起来对语音进行去噪.对于说话人识别,设计了一个由传统方法(如GMM、MLP和DTW)作为前识别器和通过小波分析(加权求和法)检测到的基音作为后识别器所组成的混合识别器.传统方法分别由三类特征矢量(LSF、倒谱和滤波器组)组成.通过小波分析获得的基音携带了关于说话人身份的信息.这个系统能在不同噪声环境下分析基音周期.试验结果显示,所提出的系统的鲁棒性和辨识率都有所提高.     

基于MFCC参数和VQ的说话人识别系统

采用能够反映人对语音的感知特性的Mel频率倒谱系数(MFCC)作为特征参数,以及为避免时间规整问题采用矢量量化技术开发的说话人识别系统.MFCC主要的是模拟人耳的听觉过程,相对于其它参数它对语音波形的变化不敏感,更加稳定,系统取得很好的识别结果,实验表明系统训练和识别的计算量和存储量都比较低.     

基于段级特征的快速说话人识别算法及DSP实现

本文在TMS320C6701EVM板的基础上实现一种快速的说话人识别系统.提出一种基于段级语音特征的说话人识别的快速算法,该算法在传统的GMM算法的基础上使用段级语音特征对测试语音进行数据量压缩,以减少计算时间.并基于车比雪夫和不等式提出了基于协方差模型的段级特征的失真测度描述.根据实验选择了段级特征语音段长度,实验表明该算法在不显著影响识别率的基础上有效地减少了算法延迟,提高了识别速度.     

基于独立分量分析的说话人自动识别方法的研究

将独立分量分析和高斯混合模型识别相结合,提出了一种解决混叠说话人声音盲源分离和识别的方法。对混叠说话人声音,先运用独立分量分析,将单个说话人声音从信号中提取出来,然后再运用高斯混合模型对分离出来的语音进行识别。仿真结果表明,此方法在混叠说话人目标识别中可以取得比较良好的效果。     

基于稀疏表示分类的说话人识别算法及其在智能考勤系统中的应用

智能考勤系统在企业对员工的出勤考查中具有十分重要的作用。为了提高语音考勤系统的准确性,提出基于稀疏表示的说话人识别算法。该算法在通用背景模型的基础上提取说话人语音的高斯混合模型超向量,采用线性判别分析技术对超向量进行信道补偿和降维,再由低维超向量形成稀疏表示的过完备字典。根据话者测试语音在过完备字典上的重构误差,对话者的身份进行验证。实验结果表明,基于稀疏表示分类的语音考勤系统具有良好的性能。     

基于FPGA的语音MFCC参数提取

语音信号特征参数的提取是语音技术的难点,本文提出了一种采用FPGA提取MFCC参数的方法,利用了FPGA的查找表结构,采用VHDL语言与DSP Builder相结合的方式进行设计,大大提高了信号处理速度和研发周期.     

BP神经网络在说话者识别中的应用

研究了BP神经网络在说话者识别中的应用,提取了Mel频率倒谱系数及其一阶差分参数,运用BP神经网络对特征参数进行了训练和识别,MATLAB的实验结果表明,BP神经网络在说话者识别中,具有良好的发展前景。     

基于声音多特征贝叶斯网络融合的话者识别研究

针对基于语音单一特征提取方法所存在的话者识别准确率较低的问题,提出将话者语音中反映人耳听觉感知特性的MFCC特征和接近心理声学临界频带的1/3倍频程(1/3 octave)特征作为话者声音的特征参数,设计话者识别的贝叶斯网络,融合2种声音特征参数,通过贝叶斯网络推理实现话者识别.贝叶斯网络通过学习过程确定已注册话者各声音特征的条件概率.进行话者识别时,贝叶斯网络利用贝叶斯定理及条件独立性假设融合待识别话者声音的MFCC特征和1/3倍频程特征,计算每个已注册话者对输入语音特征矢量的后验概率,根据后验概率的大小实现待识别话者的推断.话者识别实验结果表明:提出的基于声音多特征贝叶斯网络融合的话者识别方法可行有效,识别正确率达到100％.     

基于漏磁内检测的缺陷识别方法

基于漏磁原理的管道内检测信号和管壁缺陷之间存在强非线性关系,导致缺陷(特别是小缺陷)识别和分析困难。针对内检测器漏磁信号中的缺陷识别问题,设计一种新的缺陷识别方法,可以在漏磁内检测数据中精确识别缺陷。该方法包括3个部分:针对普通基值校准算法在多通道数据对齐中精度低的问题,提出一种基值二次校准算法,为后续数据分析提供精确数据源;区别于常规方法中用到的峰谷值等显性特征,提出6种更能反映缺陷信号的本质特征,并设计了相应的特征提取方法,为缺陷识别提供精确的分类依据;设计了基于随机森林的缺陷识别算法,可以在漏磁内检测数据中精确识别各种缺陷。最后,对所提出的方法进行了性能对比分析和试验验证。结果表明:所设计的缺陷识别方法准确率为99.59%,其中对小缺陷的识别灵敏度为98.66%,证明所提出的缺陷识别方法可有效地完成目标缺陷的识别。     

基于局部特征提取的目标自动识别

提出一种基于局部特征提取的目标识别方法,用于自动识别不同尺度,视角和照度条件下的目标.首先,建立图像的尺度空间;结合海森矩阵和Harris算法提取局部特征点,计算该特征区域的方向和灰度梯度及方向;统计出每块子区域的标准灰度梯度直方图,得到128维的特征向量.然后,基于主成分分析的降维算法来降低特征向量的维数,加快识别的计算速度.最后,采用特征空间分类器增加目标识别的速度.实验结果表明:基于局部特征提取的目标识别达到了较高的识别率,在视角、尺度和照度变化下的识别率分别为61.9％,80.5％和84.4％,平均识别时间为130.9 ms.与尺度不变特征变换(SIFT)和加速鲁棒特征(SURF)算法相比,本算法不仅在不同的视角,目标尺度及照度条件下具有较高识别率,而且识别速度比SIFT方法高.     

人脸特征识别

人脸识别是模式识别、图像处理等学科的一大研究热点,可以广泛地应用于安全部门、电视会议、身份鉴别、数字监控等领域。人脸识别技术因其广泛的应用领域而成为最具吸引力的研究方向之一。人脸是一个非常复杂的模型．因此即使一个小孩也可以轻易地识别出一张人脸．但是应用计算机进行人脸识别却是一件困难的事情。人脸识别技术有着广泛的应用前景和迫切的现实需要,是当前模式识别领域最热门的研究方向之一。一般的人脸识别系统主要包括预处理,特征提取．样本学习和识别过程四个部分。其中特征提取的好坏将直接影晌到识别效果。     

基于测试仪器的波形识别研究

本文针对测试仪器发展中的智能化要求,在对采集信号进行奇异点的检测和消除、去噪等预处理的基础之上,提出了运用差分、均值的方法提取波形识别的特征信息。并用BP算法进行波形识别的实现。最后给出了一种较为典型的失真波形的仿真实验。仿真结果表明该方法能取得较为有效的识别结果。     

人机合作式管道漏磁信号分析与缺陷定量识别

采用替换、平滑、反差等方法改善缺陷的漏磁信号．并把漏磁信号转变成云图，由人定性识别出缺陷的位置；通过对管道漏磁信号的分析，选取了缺陷漏磁场的特征量，采用非线性方法实现缺陷的定量分析。试验证明，这种人机结合的方法提高了分析效率和定量分析精度。