GMM与RVM融合的话者辨识方法.pdfVIP

第36卷 第l5期 计 算 机 工 程 2010年 8月 VoL36 No．1s ComputerEngineering August2010 · 人工智能及识别技术 · 文章编号：l0o0—I3428(20l0)l5—_0l68—_03 文献标识码：A 中图分类号：TPI8 GMM 与RVM 融合的话者辨识方法 郑建炜，王万良，郑泽萍 (浙江工业大学信息学院，杭州31()()14) 摘 要 ：相关向量机(RVM)分类法使用概率输出克服了支持向量机(SVM)识别速率低的缺点，并且具有更好的稀疏性。但在与文本无关的 话者辨别中，大量训练样本数据体现了RVM在模型训练时计算量与内存需求过大的缺点。针对以上特点，提出基于GMM统计特征参数 与RVM 融合的与文本无关的语者辨别系统，既有效地提取话者特征信息，解决大样本数据下的RVM 训练问题，又结合统计模型鲁棒性 高和分辨模型辨别效果好的优点。实验结果证明，该系统比基本的GMM 系统具有更优的错误辨别率，比GMM／SVM 系统具有更高的稀 疏性。 关健词 ：相关向量机；高斯混合模型；话者辨别；支持向量机 SpeakerIdentificationApproachofHybridGM M andRVM ZHENG Jian-wei，WANGW an-liang，ZHENG Ze-ping (InformationCollege，ZhejiangUniversityofTechnology,Hangzhou310014) [AbstractlRelevanceVectorMachine(RVM)classificationmethodusestheprobabilisticoutputtoovercomeSupportVectorMachine(SVM) shortageaswellashasmoresparsity．WhereasRVM hasoverloadedcomputationcomplexityandmemo~ storagewhen itisapplied forthe text—independentspeakeridentificationbecauseofthelnasstraining samples．Forsolving theproblem，ahybridGMM and RVM approachis proposedwhicheffectivelyabstractsthespeakerfeaturevectoraswellassolvethemassstorageproblem ．Furthermore，thishybrid approach combinestherobustnessofgenerativemodelandthepowerfulclassificationofdiscriminativemodeltoimprovetheperformanceandrobustnessot identification．ExperimentalresultsprovethatthemethodhasbeRererroridentificationratethantheGMM system andmoresparsitythansmte—of- the—artGM M ／SVM system． [KeywordslRelevanceVectorMachine(RVM)；GaussianMixtureModeI(GMM)；speakeridentification；SupportVectorMachine(SVM) 1 j既诛 实时性 。 文本无关的说话入识别作为模式识别的典型应用，面临 2 相关向量机 的最大挑战是数据采集与传输通道的多变性以及正确的模型 SVM 已经广泛地应