人工智能技术在智能声纹识别系统中的应用

以声纹识别的发展现状为切入点,通过研究传统声纹识别系统的基本概念以及人工智能技术在声纹识别系统中的应用,深入探索基于人工智能技术的智能声纹识别系统建设,为智能声纹识别系统的未来发展提供可行性建议.     

基于GMM-UBM的声纹识别技术的特征参数研究

声纹识别技术实现的关键点在于从语音信号中提取语音特征参数,此参数具备表征说话人特征的能力。基于GMM-UBM模型,通过Matlab实现文本无关的声纹识别系统,对主流静态特征参数MFCC、LPCC、LPC以及结合动态参数的MFCC,从说话人确认与说话人辨认两种应用角度进行性能比较。在取不同特征参数阶数、不同高斯混合度和使用不同时长的训练语音与测试语音的情况下,从理论识别效果、实际识别效果、识别所用时长、识别时长占比等多个方面进行了分析与研究。最终结果表明:在GMM-UBM模式识别方法下,三种静态特征参数中MFCC绝大多数时候具有最佳识别效果,同时其系统识别耗时最长;识别率与语音特征参数的阶数之间并非单调上升关系。静态参数在结合较佳阶数的动态参数时能够提升识别效果;增加动态参数阶数与提高系统识别效果之间无必然联系。     

基于非单调共轭梯度算法的声纹识别机器人控制系统设计

传统声纹识别人控制系统识别准确率低,存在语音识别噪声鲁棒性问题。针对上述问题,基于非单调共轭梯度算法设计了一种新的声纹识别机器人控制系统,采用BioVoice 2.0 标准声纹采集器采集数据,提取声纹特征,根据提取的声纹特征建立模型库,同时引用了两个声纹数据采集终端,型号分别是TMC104-B和TMC104,选用型号为AS-MrobotR的机器人配合采集器和采集终端实现工作。在Windows平台下使用C/C+语言研究了一种专用的程序,在程序内部添加mde-api数据库,完成训练程序和识别程序。实验结果表明,基于非单调共轭梯度算法的声纹识别机器人控制系统能够很好地解决语音识别噪声鲁棒性问题,在有噪声环境下识别准确率提高15.24%,在无噪声环境下识别准确率提高21.55%。     

基于学习矢量量化的空调压缩机声纹诊断方法

针对传统空调压缩机故障诊断工况信号采集困难的缺点,提出一种基于学习矢量量化(learning vector quantiza-tion,LVQ)神经网络的空调压缩机声纹识别模型用于空调压缩机故障诊断,将声纹识别技术引入压缩机故障诊断.对压缩机的声音数据进行预处理,包括预加重、分帧、加窗,在分帧步骤中针对压缩机的声音特性进行改进,通过计算声音信号的梅尔倒谱系数(Mel frequency cestrum coefficient,MFCC)得到压缩机声音的特征向量.在模型训练阶段,重点分析原始的LVQ算法和改进的LVQ算法的优缺点,对3种LVQ算法进行对比实验.实验结果表明,使用LVQ3算法学习的压缩机声纹识别模型在测试集上可以达到90％ 的召回率,研究结果为压缩机故障诊断提供了一种依据.     

基于声纹识别的智能小区认证系统设计

本文根据安防的需求,设计了智能小区认证系统。该系统采用新型声纹识别算法,运行在Linux平台上,采用OMAP3530作处理器,能实现高准确率识别,为小区的安防起到重要作用。     

基于小波包提取特征的声纹识别

关于生物特征识别问题,人耳的听觉识别精度很重要.识别研究难点在于如何选取有效的耐噪特征参数,以提高识别率,传统的特征参数都将语音视为一种平稳信号进行处理,不能很好的反映语音信号的动态特性,故不能得到较好的识别率.针对提高抗噪声性能和识别声信精度,提出了一种新的特征参数(DWP-MFCC),用在感知倒谱分析(Mel-Cepstrum)的基础上引入多分辨率小波包分析技术,通过提高时频分辨率,增强语音动态信息,克服了原有单一线性分析的不足,并基于矢量量化(VQ)系统进行说话人识别实验.实验证明,与LPCC和MFCC参数相比采用新方法使系统的识别率得到显著的提高.     

基于声纹识别的嵌入式防盗系统

为了克服传统防盗锁的缺点,嵌入式防盗系统是在对声纹识别算法进行相关的研究和改进的基础上基于ARM9嵌入式开发的,本文结合Linux操作系统,选用MINI2440芯片,并配合外围驱动电路和电子锁开发实现。研究结果表明,该系统具有较高的语音识别率,性能稳定,有一定的应用价值。     

基于声纹识别的Web身份认证系统设计

设计一个基于声纹识别的Web身份认证系统。在浏览器端利用自主开发的ActiveX录音控件录取封装使用者的声纹特征并传送给服务器,服务器端使用隐马尔科夫模型表述单字,单字之间通过增加静音状态分割以及语音训练形成稳定的声纹特征模型作为身份验证的基础库。实际测试结果表明,该系统识别性能好、可移植性强,适用于网络资源的远程声控。     

基于数据驱动缺失特征检测与重建的声纹识别

声纹识别系统的识别性能会随着环境噪声的增强而急剧降低,为了使系统具备一定的噪声鲁棒性,提出了一种基于数据驱动缺失特征检测与重建的声纹识别前端处理方法。充分利用大量数据训练得到的信息估计子带信噪比,检测、标记和重建被噪声污染严重的子带特征,从而得到噪声鲁棒性特征参数。实验表明,该方法在低信噪比环境下取得了较高的识别率提升,在非平稳噪声下系统性能也有着较好的改善。