基于eemd-teo和概率神经网络的说话人识别文献.pdfVIP

福 建 电 脑 U J I A N C O M P U T E R F DOI:10.16707/j.cnki.fjpc.2017.05.005 基于 EEMD-TEO 和概率神经网络的说话人识别 周 慧 （甘肃农业大学 信息科学技术学院 甘肃 兰州 730070 ） 【摘 要】提出了一种基于 EEMD-TEO 和概率神经网络的说话人识别方法。即先用平均经验模态分解方法(EEMD) 将语音信号分解成若干个固有模态函数 IMF 分量，而后利用 TEO 能量算子提取特征，通过概率神经网络建立说话人识 别模型。 文中对相应的语音数据的分析结果表明，基于 EEMD- TEO 和概率神经网络的说话人识别方法是可行的。 【关键词】EEMD ；说话人识别；TEO 能量算子；IMF 分量 0 引言 3) c 可 以通过这个公式 r =x （t）-c 从剩余 的数据中分离 出 1 1 1 说话人识别（speaker recognition），也称为声纹识别，它是通 来，残余函数 r1 仍然包含 了不同长周期成分的数据。 它又被看 过提取说话人语音波形中的个性化特征参数，结合计算机中人 成是新的数据，经过上述同样 的筛选过程。 工智能方法进行说话人识别的技术。 它和情感语音识别相比， 4) 当 比预定的值小时，这个筛选过 不注重说话人情感成分的表达， 而注重说话人个性化的体现。 也正因为个性化的体现，在各个行业得到了一些应用，成为近 程结束 。至此，将一个数据分解成 N 个 IMF 分量就完成了，并且 得到残余函数 r ，它可能有缓慢变化的趋势或者是一个常量， 图 年来语音信号处理领域中的一个研究热点。 n 目前对说话人识别的研究主要从两方面着手，第一：说话人 1 为一元音分解的 IMF 分量。 个性化特征参数的提取；第二：人工智能方法的选择。 纵观现有 的研究目前最为广泛的参数为 MFCC （Mel 倒谱系数）为主[1][2][3]， 这种方法是基于线性尺度的，而实际的语音是建立在非线性信 号的基础上，无法较好的体现语音自身的特征。 EEMD 而 Tea- ger 能量算子是近年来研究非线性语音建模过程中引入的一个 算法。 为此，本文将 EEMD 方法和 Teager 能量算子（teager en- ergy operator ，TEO）结合起来，利用概率神经网络方法实现了说 话人识别。 1 EEMD-TEO 能量算子 1.1 EMD 经验模态分解[4][5] 传统的数据分析方法都是基于线性和稳定的假设， 1998 年 NordenE.Huang 等人基于对信号局部均值和特征时间尺度与瞬 时频率关系的研究， 提出了把信号分解为基本模式分量的方 图 1 分解的