一种改进的用于文本无关说话人确认的SVM训练算法.pdfVIP

一种改进的用于文本无关说话人确认的SVM训练算法 王昌昌王成儒 E-mail：WCCCCW 燕山大学信息科学与工程学院秦皇岛066004 1999@yahoo．COm．cn 摘要：针对传统的“一对多，训练算法中两类样本数不平衡会造成分类结果偏向数目较大一粪的缺点，本文提出了 用于文本无关说话人确认的一种改进的“一对多”算法。实验结果表明，改进后的算法克服丁这种倾向性，从而提高 了系统的识别性能。 关键词：说话人识别说话人确认支撑向量机“一对多”算法 An SVIVl for Verification Text--independentSpeaker ImprovedTrainingAlgorithm Abstract：An WaS toaddressthe causedtheimbalanceof presenWA shortcomingsby improved“one—against-other’algorithm towardthe Numerical for mal(astheclassificationresults bias class trainingsamples，which undesirably larger experiments overcomethe toobtainbetterclassification the verificationshowthatthe Call text-independent algorithm tendency proposed thanthe one accuracy original vector machine；“one-against。other”algorithm Keywords：speakerreongnition；speakerverification；support 1引言 说话人确认是说话人识别两类具体应用的一个方面，和另一类应用一一说话人辨认一一判断待识语音 是已知多个参考说话人中的具体哪一个人所发出的过程不一样，它是判定待识语音是否与所宣称的身份相 符的过程。由此，进u一步得知，说话人辨认是一“多者选一”的问题，而说话人确认要求做出“是”与“否” 的二元判决问题。该技术在涉及身份验证领域，比如语音检索、司法鉴定、机密场所的进入控制、远程金 融股票交易安全等，因其使用的语音信号具有获取简单、使用自然的特点而具有J一泛的应用前景…。 Vector 支撑向量机(Support 的一种新兴的机器学习方法”3。它的“新”体现在与传统经典的统计学习方法基于经验风险晟小化 fEmpirica]Risk (StructuralRisk 但在实际应用中样本数目总是有限的，一些好的基于渐进理论的学习算法在实际应用当中往往表现得并不 理想，而SVM根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以获得更好的推广泛化 能力。因此，在解决小样本、非线性以及高维模式识别问题中表现出许多特有的优点。近年来，SVM理论 在诸多实际模式识别问题上得到大量的应用…。 本文将它应用于文本无关说话人确认，并建立说话人确认模型和系统。 2子带特征提取 目前，常用的语音特征包