基于动词相似度特征分类方法.docVIP

基于动词相似度特征分类方法【摘要】本文提出了一种新的说话人特征分类方法，基于计算动词相似度理论，建立距离和趋势的评价模型，通过计算特征向量与k-means算法聚类所得的聚类中心的相似度矩阵，将说话人个性特征从MFCC特征域映射到说话人相似度属性空间中，形成新的特征向量集，这样，每个说话人的特征向量将被聚为在距离和变化趋势上最具相似性的k分类。之后，利用GMM模型在属性空间内进行联合概率分析、匹配，建立新的说话人识别系统。本文采用标准TIMIT语音库与NIST语音库在该识别系统中进行一系列实验，结果表明，该基于新的优化特征分类的识别系统，对比传统的说话人识别系统，在等错误率上有很好的提高。 【关键词】计算动词相似度；特征分类；GMM模型；说话人识别 A Feature Classification Method Based on Verb Similarity Jingyun Qiu，Lin Li (Department of Electronic Engineering，Xiamen University，Xiamen Fujian 361005，China) Abstract：A new strategy of feature classification method for speaker recognition based on computational verb similarity is presented.On the evaluation model with the similarity function of both distance and trend in mel cepstral domain，the new feature vectorsets were assorted after comparing clustering centers，which were obtained by utilizing k-means algorithm.As a result，the feature vectors of each speaker were classified into k clusters，and the vectors in each cluster had the most similarity in both distance and variation trend，but separated those in other clusters.Moreover，a new speaker verification system was established by using GMM model for analyzing and matching the joint probability in the new feature classification space.The experiments with the standard TIMIT databases and NIST databases were implemented，and the results showed the proposed algorithm achieved good classification performance. Keywords：computational verb similarity；feature classification；GMM；speaker recognition 1.引言 对于说话人识别系统而言，一个能有效区分说话人的特征提取和分类方法是非常重要的，因而，在语料中找到能够表征说话人的个性特征及其特定的特征映射空间就显得尤为重要。目前，大多数说话人识别系统所采用的特征参数主要有：表征说话人听觉特性的梅尔频率倒谱系数（Mel Frequency Cepstrum Coefficient，MFCC）[1]和表征说话人声道信息的线性预测倒谱系数（Linear Prediction Cepstrum Coefficient，LPCC）[2]，二者都是说话人识别系统中的主流特征分析方法，并应用于模型匹配如隐马尔可夫模型（HMM，Hidden Markov models）[3]、高斯混合模型（GMM，Gaussian Mixture models）[4]。 近年来，为了提高说话人识别系统的性能，在MFCC和LPCC的基础上还增加了一些辅助特征参数，如harmonic结构特征[5]、残差相位信息[6]、高阶统计特征等。相对于众多的谱分析方法，MFCC特征参数符合人耳听觉特性，较好的反映说话人的个性特征，但这种传统的MFCC特征参