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。     

与文本无关的说话人识别系统的设计

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系统的基本原理和研究现状,并在此基础上对多种可能的特征参数、训练模型和分类方法进行比较和选择,设计出一个识别率高、计算量小的说话人识别系统,识别系统采用MATLAB完成开发,仿真结果显示系统取得了较好的实验结果。     

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。     

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％。     

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。     

利用MCE算法提高说话人识别性能

高斯混合模型（ＧＭＭ）是当今说话人识别的一种流行算法,但ＧＭＭ的训练的目标是使似然度最大,并不能产生识别性能最佳的模型。本文提出了ＧＭＭ＋ＭＣＥ（最小分类错误）的模型来解决这一问题,并通过实验证明了其有效性。     

基于小波包分析特征参数的说话人识别系统

介绍了说话人识别系统,研究MFCC提取原理与小波包分析的基础上,提出了一种基于小波包分析的新型语音特征参数WPDC。在研究了WPDC提取算法的基础上,建立了一个神经网络模型的说话人识别系统,实验比较了MFCC与WPDC的识别性能,验证WPDC了具有很高的识别率,是一种很好的语音特征参数。     

作为说话人识别特征参量的MFCC的提取过程

说话人识别是人的个体特征识别中的一个重要分支,在实际生活中已得到广泛应用。而人的听觉系统是一个比较理想的说话人识别系统,MFCC(Mel倒谱系数)模拟了人的听觉特性,是符合人听觉特性的语音特征参量,在实际应用中取得了较高的识别率。文中通过一个卷积同态系统简单介绍了语音信号的倒谱分析方法,并通过对Mel频率刻度得到符合人听觉特性的Mel频率等效滤波器组,最后介绍了MFCC求取的一般过程和算法。     

基于鲁棒听觉特征的说话人识别

 为了提高噪声环境中说话人识别系统的性能,本文提出了一种鲁棒听觉特征提取的算法,并将其应用到说话人识别系统中.运用自适应压缩Gammachirp滤波器组模拟人耳耳蜗的听觉特性,对输入的语音信号进行频域子带滤波,将得到的对数子带能量作为听觉特征参数.分别运用离散余弦变换和核主成分分析方法,对提取的特征参数进行特征变换,降低特征参数的维数,提高特征参数的噪声鲁棒性和个性表现力.实验结果表明,将提取的新听觉特征参数应用到说话人识别系统中,新特征参数在鲁棒性和识别性能上均优于梅尔倒谱系数和基于Gammatone的听觉特征参数.     

噪声环境下说话人识别性能的研究

为了提高噪声环境下说话人识别系统的识别性能,将基于听觉掩蔽效应的语音增强技术作为预处理器,对语音信号首先进行降噪处理,提高输入信号的信噪比。实验证明,经过降噪处理的语音信号送入说话人识别系统,提高了系统的识别性能。     

Delta特征用于说话人识别的研究

多数说话人识别方法采用的都是基于对语音信号的静态特征进行分析,忽略了语音信号动态特征对识别性能的影响。而Delta特征是反映语音信号帧间动态特征的重要特征,对LPC和它的Delta特征进行了具体实例求解,并对计算结果进行了分析,探讨了将它用于说话人识别系统的有效性和可行性。     

基于GMM说话人分类的说话人识别方法研究

提出了基于高斯混合模型（GMM）说话人分类的分级说话人识别系统,同时将小波神经网络（WNN）引入到子识别系统中。分别对未分级说话人识别系统和分级说话人识别系统进行了比较。仿真实验结果表明,分级网络在保证正确识别率的同时,不仅改善了网络训练速度,亦大大提高了识别响应速度。     

基于ARM的说话人识别系统的研究与实现

提出了一种基于压缩感知(CS)的说话人识别算法以及在ARM系统中的实现,首先,介绍压缩感知理论框架,提出说话人识别可以与压缩感知理论相结合的依据;其次,提出基于压缩感知的说话人识别算法的基本方法,即建立说话人语音特征数据库和基追踪匹配得到最大均值系数,其中,语音特征向量由GMM均值超向量核算法得到,大量实验数据表明,该方法一定程度上提高了识别率,并且在说话人集合较大的情况下识别效果较好。