一种改进的基于正交GMM的说话人辨识方法.pdfVIP

第24卷第5期 华东交通大学学报 V01．24No．5 0fE∞I Ocl．．2007 200r7年lO月 Joumal Chj加Ji肿tongUnive埽ity 文章编号：1005—0523(2007J05一0077一04 一种改进的基于正交GMM的说话人辨识方法 李 蓉 (华东交通大学信息工程学院，江西南昌330013) 教训练中．实验结果表明以进化算凄进行参数训练的正交cMM说话人辨认系统与用传统EM算法作为参数训练的说话人辨 认系统相比有更好的识别效果。并具有良好的应用前景． 关 键词：说话人辨认；正交cMM；进化算法；EM算法 中图分类号：仍91．42 文献标识码：A l 引言 2识别过程 说话人辨认是利用说话人所说的话提取出来的语音信 号特征，进行身份辨认的一种模式识别方法．它在金融、证 2．1 GMM的结构与概述【l】 券、公安、军队等需要身份安全认证的领域均具有较高的应 高斯混合模型(GMM)是用M个单高斯分布的加权和组 用价值．说话人识别系统由特征提取和识别模型两部分组 合来描述语音特征在特征空间中的概率分布．每个说好人对 成． 应一个GMM，模型如下： 基于高斯混合模型(c叫88ianMixIu陀Mod出，GMM)的说 ■ p(薯I．=I)=．∑％ 话人识别方法是现代说话人识别技术的重要方法之一．这种 ●■l 其中，肼是C删的混合元素数目，又叫阶数；鼻是一个 方法的基本原理是对说话人集合中的每一个体建立一个概 D维特征矢量；阢(i=l，2，……，肘)为混合权值，即是高斯 率模型；将说话人的个性特征在特征空间的分布抽象为该概 率模型随机产生的结果．由于该概率模型采用的是多个单高 函数的个数，符合宝阢=l；戤(量)为D维高斯函数，即： 斯分布的线性组合，因此被称为高斯混合模型…．而正交高 g；(蓦)2 斯混合模型【，J针对提取出来的说话人语音特征矢量元素间 存在相关性这一特点．先把特征矢量进行线性变换，得到元 · (2) 素间不相关的新特征。再进行CMM的训练与识别．相比传统 其中，盹为均值矢量也叫此密度函数的中心点；∑。为 的cMM，具有较高的识别率和较少的计算机量和存储量，但 协方差矩阵．至此每个人可用各混合权值、均值矢量、协方差 仍存在对模型初值十分敏感、在实际训练中极易得到局部最 三类模型参数来描述，用．：I表示这样一组参数集，则，^= 优模型参数等问题．进化策略作为一种全局搜索算法，本文 {阢，胁，∑jl，(i；1，2，……，JIf)． 在分析期望最大化(EM)算法的基础上，针对EM算法搜索的2．2正交CMM的结构与概述【2】【，l 局限性即搜索过程中会落入局部最优解的问题，把进化算法 由矩阵理论可知。用原始协方差矩阵的本征向量组成的 应用到正交高斯混合模型(cMM)的参数训练中，组成一种新变换矩阵可将其变换成对角矩阵，语音特征矢量进行相同的 的混合算法，对模型参数进行全局优化，对提高参数估计的 变换可减少语音特征矢量之间的相关性，且可以减少GMM 准确性具有很好的作用．最后，进行了与文本无关的说话人 的计算量和存储量．正交高斯混合模型即是由一个线性变换 辨认实验，详细