基于FCM-PNN分类器的说话人识别

摘要

说话人识别的本质就是模式分类.传统分类器算法中参数模型方法的主要缺点是预先假定的概率分布函数形式不一定符合待分类的数据.非参数模型方法,如PNN分类器,可以有效地克服参数模型的缺点,但其巨大的内存开销与低的分类速度使得PNN作为大量和高维的数据样本分类几乎不可行.FCM虽具有良好的模糊聚类能力,但无法直接佑给出概率分类结果.该文提出的FCM-PNN分类器,在FCM聚类的基础上,以贝叶斯置信度为基础,利用PNN进行概率分类.它结合了FCM聚类和PNN概率分类的优势,同时克服了传统参数模型分类和FCM聚类的局限性.实验结果证实了FCM-PNN分类器具有分类精度高、速度快及揭示细节的能力.