PCA变换下的GMM-SVM话者确认研究.pdfVIP

小 型 微 型 计 算 机 系 统 2015年 3月 第 3期 Journal ofChineseComputerSystems Vo1．36 No．3 2015 PCA变换下的GMM ·SVM 话者确认研究 卓 著，李 辉 (中国科学技术大学 电子科学与技术系语音信息处理实验室，合肥 230027) E—mail：zhuozhu@ mail．ustc．edn．cn 摘 要：针对支持向量机 (SVM)输入参数不能充分利用高斯混合模型(GMM)均值、方差、权重所携带的说话人信息，而导致 与文本无关话者确认系统性能下降的问题，本文结合 GMM 的均值、方差、权重，提 出一种新的、基于 自适应后GMM 的，SVM 模型输入特征提取方法。在 NIST06语音数据库上的实验表明，本方法将等误识率 (EER)从高斯混合模型．通用背景模型 (GMM—UBM)系统的8．49％，下降到基于离散余弦变换 (DCT)变换GMM—SVM 系统的4．16％，以及基于主元成分分析 (PCA) GMM—SVM 系统的 3．3％． 关 键 词：主元成分分析；GMM超矢量 ；支持向量机 ；话者确认 中图分类号：TP391 文献标识码：A 文 章 编 号：1000—1220(2015)03-0637-04 New CombinationMethodofGMM -SVM BasedonPCA forSpeakerVerification ZHUO Zhu，LIHui (DepartmentofElectronicScienceandTechnology-UniversityofScienceandTechnologyofChina。Hefei230027。China) Abstract：ConcemingtheineffectivenessofSupportVectorMachine(SVM)inputparametersintakingfulladvantageofspeakerin· formationcardedbymena，varinace，nadweightofGaussianMixtureModel(GMM)，whichleadtothespekaerverificationperform— nacedegradationproblem．Inthispaper-anewkindofapproachisproposedtoextractfeatureforSupportVectorMachine(SVM ) from adaptedGaussianMixtureModel(GMM)intext—independentspeakerverificationsystem．IntheNIST06speechdatabases。ex— perimentalresultsshowhtathtismehtodreducetheEqualErrorRate(EER)from8．49％ ofGMM ·UBM system，downto4．16％ of hteDCT—basedGMM—SVM system and3．3％ ofhtePCA ·basedGMM—SVM system ． Keywords：PCA ；GMM supervector；supportvectormachine；spekaerverification 1 引 言 入，是涉及到能否充分利用说话人特征信息的问题 ，对 SVM 的性能有很重要的影响．之前，SVM 的输入向量往往都是取 作为声纹识别的一个重要的研究领域 ，从 1996年开始 ， 【 一， 】 ，这样并不能充分利用 GMM参数集所提供的 在美国国家标准及技术署 (NIST)的推动下 ，说话人确认技术 说话人信息．本文结合高斯混合模型中的均值、方差、权重 ，提 得到了长足的发展．在移动互联时代 ，说话人确认技术被应用 出了一种新的SVM 输入特征提取方法．选择合适的核函数 于语音检索和声纹认证之中，正获得越来越广泛的研究． 是 SVM 能够取得不错分类效果的关键．常用的SVM核 函数 传统的高斯混