GMM论文大纲.docVIP

毕 业 设 计（论 文）大 纲 设计(论文)题目： 利用GMM进行说话人识别的方法和实现 学生姓名： 孙翔 学号： 1121119010 专　　业： M11电子信息工程 所在学院： 龙蟠学院 指导教师： 陈存宝 职　　称： 工程师 2015年03月15日 摘要 说话人识别具有采集方便、内容丰富、符合使用习惯等优点，在当今诸多领域有着广泛的应用前景。本文针对短语音文本相关的说话人识别应用，对说话人识别系统的原理和结构进行了详尽的介绍和分析。 第一章绪论 1.1研究背景和意义 阐述了语音识别技术的发展现状，采用说话人语音进行说话人身份识别的众多优势，介绍其发展背景意义。 1.2说话人识别技术的发展简史 简单介绍说话人识别的发展历史。 1.3说话人识别技术的应用领域和前景 分析了说话人识别技术应用的基本领域和这些领域内一些比较典型的应用。 1.4说话人识别技术 1.4.1语音的产生模型 介绍语音的产生机理，对语音的产生机理建立时域模型。 1.4.2说话人识别原理 说话人识别按照语音内容可以分为文本相关、文本无关和文本提示三种类别，本文中文本相关的说话人识别要求在训练和识别的时候使用内容相同的语音素材。 第二章特征参数提取 针对语音端点检测对于系统识别率的影响，对目前已有的语音端点检测方法进行简要介绍；并结合实际的使用环境，提出了基于基音与共振峰估计的语音端点检测方法。 2.1.语音端点检测的必要性 有效的语音端点检测技术不仅能在语音识别系统中减少数据采集量，节约处理时间，还能排除无声段或噪声段的干扰，提高语音识别系统的性能，而且在语音编码中还能降低噪声和静音段的比特率，提高编码效率。 2.2 语音端点检测的评价标准 目前，语音端点检测还没有客观统一的评价标准，大多数文献采用手工标注的方法来评价算法的检测性能。 2.3 现有的语音端点检测方法 目前，语音端点检测主要通过对语音信号进行时/频域分析的方法来实现。 2.4 基于基音与共振估计的语音端点检测方法 2.4.1语音频谱特性 要区分语音和背景噪声，只能依据语音所特有的信号特征加以辨别。 2.4.2 检测方法 基于频域自相关的检测函数受共振峰频率的影响较小，能够准确地估计基音频率。 2.4.3 实验仿真 主要检测语音片段以及噪声片段。 第三章 语音特征提取 同态信号处理的基本原理，并引出了倒谱的概念；通过对倒谱性质的分析，阐述了选择倒谱作为语音特征的依据。 3.1 同态信号处理基本原理 按照输入信号的产生方式，同态信号处理可以分为乘积同态处理和卷积同态处理两大类。 3.2 复倒谱和倒谱 3.2.1 倒谱的定义 3.2.2 倒谱的性质 复倒谱和倒谱是基于信号频谱结构的特征参数，相比于其他的特征参数，倒谱具有卷积分高、幅度无关的特性。 3.3 Mel频率倒谱系数 Mel频率倒谱系数是一种以Mel频率尺度进行频带划分的倒谱特征参数。 第四章 基于正交距离分解的说话人识别算法 针对目前主流的语音特征匹配方法存在的缺陷，提出了正交距离分解的概念；在此基础上，讲正交距离分解与FCM方法结合，进一步提出了基于正交距离分解的模糊矢量化算法，并将该算法用于说话人识别。 4.1引言 目前，说话人识别普遍采用的模式匹配方法主要有基于模版匹配的方法以及基于人工神经网络的方法。 4.2 正交距离分解 阐述高斯混合模型的基本概念，模型的描述，模型的阶数及模型训练。 4.2.1 最佳投影矢量 4.2.2正交距离分量 在确定了能够描述赝本空间分布特性的最优投影矢量后，需要进一步确定判决养点与聚类空间隶属程度的测度依据。 4.2.3高斯混合模型的阶数 4.2.4模型训练 给定一个观测矢量，其所属的高斯分布(声学类别) 为一“隐藏”的信息，因此模型的训练需藉助期望值最大化的方法。 4.3 算法简介 4.3.1 基于正交距离分解的模糊矢量量化 4.3.2基于正交距离分解的模糊分类器 4.4 实验仿真 实验采用普通实验室环境下录制的语音样本进行实验仿真。在实验中，分别使用每段语音样本作为训练语音生成说话人码本，并用该码本与其余语音样本进行说话人确认测试。 第五章 说话人识别系统开发 5.1 系统结构 一个完整的说话人识别系统分为图形用户界面、语音采集、文件管理、用户管理以及语音处理五个模块。 5.2 实现细节 5.2.1 多平台联合项目开发 文