基于一种新的特征提取的语音辨识.pdfVIP

第9卷 第2期 2009年 1月 科 学 技 术 与 工 程 Vo1．9 No．2 Jan．2009 1671·1819(2009)2一O46o-05 ScienceTechnologyandEngineering ⑥ 2009 Sci．Tech．Engng． 基于一种新的特征提取的语音辨识 刘 嘉 骆瑞玲 李 明 (兰州理工大学计算机与通信学院，兰州 730050) 摘 要 提出了一种新的二次特征提取的方法应用于说话人语音辨识。首先，通过基于熵的特征筛选方法，有效地剔除不重 要或者噪声特征，消除语音特征的冗余，并获得其重要性排序，减少语音特征矢量的维数。然后，采用Fisher准则进一步进行 参数选择，按 Fisher比的大小选择特征向量作为投影轴，将高维空14中的特征矢量映射到低维的特征判别空间，然后以SVM 作为分类器实现说话人辨识系统。实验结果表明，本文提出的方法在不影响识别率的情况下可以对输入数据有效降维，在噪 音环境下取得了较好的识别效果，增加了系统的鲁棒性。 关键词 说话人识别 基于熵的特征选择 支持向量机 Fisher鉴别准则 中图法分类号 TP391．42； 文献标志码 A 说话人辨识是通过对说话人语音参数的分析 影响很大，并且对分类器的构造也起着非常重要的 来判定待测说话人的语音属于多个参考说话人之 作用。这种情况下，减少特征维数或特征降维就显 中的某一个。它可以应用于声音拨号、电话购物、 得异常重要。再者，如果所提取的特征不能很好地 声控电子密码锁、刑侦破案、机要保密、玩具和家用 反映原始结构信息，那么识别结果依然很差。所以 电器等领域。 在设计分类器时快速、有效的特征提取方法不但能 支持向量机 (SupportVectorMachine，SVM) 够使复杂的问题简单化，而且能够提高分类器的效 是一种基于结构风险最小化的统计学习方法，由于 率。主成分分析 (PCA) 是一种常用的特征提取 它具有泛化能力强、没有局部极小点和解具有稀疏 方法，但 PCA的核心思想是用较少的变量在彼此不 表示等突出优点，已成为机器学习领域的一个研究 相关的前提下尽可能地反映原变量的统计特性，即 热点，在说话人识别中也逐渐得到应用嵋．3J，并取得 保留原模式样本中方差最大的数据分量，故所得到 了很好的效果。 的只是最佳的描述特征而不是最佳鉴别特征；再 对与文本无关的说话人识别而言，提取的语音 者，PCA变换时，类间离散度最大的同时，类内离散 特征矢量中包含很多冗余信息。不同话者之间的 度也增大。 特征矢量在特征空间中有一定的重叠，如果用这些 为了提高SVM的分类速度和精度，本文提出了 特征矢量直接构建识别模型，就会导致训练速度 一 种有效的维约简方法。首先，采用基于熵的特征 慢，存储量以及测试阶段计算量增加。再者，受录 筛选方法 j，对原始特征进行评估，有效剔除不重 音环境的影响，采集到的数据集难免有噪音存在， 要或者噪声特征，从中筛选出最能反映数据分布结 而这些噪音属性会直接影响识别的准确性，从而使 构的特征子集，初步减少语音特征矢量的维数，消 得分类器的性能下降。因此选择合适的特征来