基于GMM非线性变换的说话人识别算法的研究

针对与文本无关说话人识别GMM模型中，某些非目标模型的测试帧的模型得分可能会比较高，从而引起误判的问题。从帧似然概率的统计特性出发，提出了一种GMM非线性变换方法。该方法通过对每帧各模型的得分赋予不同的权值，使得得分高的模型权值大，得分低的模型权值小，由于目标模型得分高的帧要多于其它非目标模型，所以这样可以提高目标模型的总得分，降低非目标模型的得分，从而降低误判的可能。理论推导和实验结果表明，该变换方法能够提高GMM说话人识别的识别率。