基于因子分析的鲁棒性话者确认方法研究

摘要

随着话者确认系统实用性要求越来越强烈，不仅需要系统在干净的实验室条件下取得较好的效果，还需要在各种复杂背景下有着较好的鲁棒性。信道一直是影响话者确认的最大因素之一，由于通信线路的复杂性以及话筒的多样性，经常使得训练与测试语音信道失配，导致确认性能的急剧下降。 本文首先分析了基于概率统计模型和基于区分性辨别模型的话者确认系统，给出一种将概率统计模型与区分性辨别模型相结合的话者建模方法，然后结合当前的一些信道失配补偿方法，给出了基于因子分析信道失配问题的解决方案。主要研究内容如下： 1、针对经典的概率统计模型区分性不足，而区分性辨别模型对话者个性信息描述不够准确的问题，本文给出了一种两者相结合的GMM-SVM话者确认方法，利用GMM作为前端特征变换和聚类，然后采用基于支持向量机的方法进行区分性话者模型训练和测试，结合了概率统计模型和区分性辨别模型的优点。在Nist数据库上的对比实验表明区分性训练可以大大改善基于概率统计模型的系统性能。 2、针对复杂环境中话者确认的信道失配问题，给出了一种基于GMM_UBM系统框架下简化的因子分析算法。将相关系数的MAP与因子分析相结合，将因子分析的复杂度大大降低并且在估计出信道空间之后，采用特征映射的方法将前端特征参数的信道信息去除，将因子分析仅仅限制在前端处理参数，保留了GMM_UBM的完整框架，大幅减少了计算量。 3、为了融合因子分析和区分性辨别模型的优点，本文提出一种将因子分析与支持向量机相结合的话者确认方法，将去除了信道信息的GMM大矢量作为SVM话者确认系统的输入参数，融合了辨别模型的优越性，实验证明了该方法比基于GMM_UBM系统框架下的因子分析方法在系统性能上又有了进一步的提高。

目录

文摘

英文文摘

声明

第一章绪论

1.1话者识别概述

1.1.1话者识别的研究意义

1.1.2话者识别的分类

1.1.3话者识别的研究进展

1.2话者识别的关键问题

1.2.1特征参数的选取

1.2.2话者模型的选择

1.2.3系统的评估准则

1.2.4实用化过程中遇到的问题

1.3本论文研究内容及安排

第二章基于概率统计模型和区分性辨别模型的话者确认

2.1概述

2.2基于概率统计模型的话者确认

2.2.1高斯混合模型

2.2.2高斯混合模型参数训练方法

2.2.3 GMM-UBM结构

2.2.4对数似然比评分准则

2.3基于区分性辨别模型的话者确认

2.3.1支持向量机的基本原理

2.3.2支持向量机用于话者确认

2.4基于GMM超矢量的SVM话者确认

2.4.1基于GMM-UBM的特征变换和聚类

2.4.2基于GMM超矢量的SVM话者模型

2.4.3测试评分

2.5实验

2.6本章小结

第三章信道失配及常见补偿方法

3.1信道失配问题

3.2失配补偿方法

3.2.1倒谱均值减和倒谱方差归一

3.2.2特征弯折和高斯化

3.2.3说话人模型合成利特征映射

3.2.4因子分析和干扰属性消除

3.2.5 Znorm、Tnorm和 Hnorm

3.3本章总结

第四章基于因子分析信道失配补偿的话者确认方法

4.1引言

4.2因子分析

4.2.1因子分析的基本概念

4.2.2因子分析运用于话者识别

4.3基于因子分析的话者建模方法

4.3.1话者空间矩阵的估计

4.3.2信道空间的估计

4.3.3话者因子和信道因子估计

4.4 GMM-UBM框架下的因子分析失配补偿方法

4.4.1信道无关的目标话者模型训练

4.4.2测试语音参数级信道信息的补偿

4.5 GMM-SVM框架下的因子分析失配补偿方法

4.6实验

4.6.1实验数据集与参数设置

4.6.2基于因子分析失配补偿系统性能比较

4.6.3信道空间大小的影响

4.6.4语音长度对性能的影响

4.6.4系统线性融合效果

4.7本章小结

第五章总结与展望

参考文献

致谢

在读期间发表的学术论文与取得的其他研究成果