利用矢量量化的说话人识别系统的研究

利用矢量量化(VQ)技术实现了与文本有关的说话人识别。系统采用语音信号的LPC倒谱系数、差值倒谱系数、基音周期和差值基音周期的混合特征参数作为识别的特征矢量集,对语音库中语音的平均识别率达到了92％,实时识别率达到90％以上。实验结果表明该系统具有识别精度高、速度快等特点,是一种有效的说话人自动识别的实现方法。     

基于矢量量化改进算法的说话人识别

给出一种采用LPCCEP特征参数和改进矢量量化的数字音说话人识别方法，该方法适于说话人集合适中(100人以内)情况，具有训练简单、存储数据量少、响应快等特点．为提高系统的识别率和可靠性，系统采用了方差修正的VQ改进算法，使建立的说话人模型考虑了说话人帧特征概率分布的更精细结构．实验结果表明，改进后的方法对提高系统的识别率效果明显。     

改进的支持向量机SMO算法说话人识别系统研究

支持向量机是统计学习理论的一个重要的学习方法,也是解决模式识别问题的有效工具.本文把支持向量机应用在说话人识别系统中,对支持向量机的SMO算法进行了论述,并对SMO中有关两个待优化拉格朗日乘子的选取做了改进,用简单的排列算法取代函数集中的遍历操作来使目标函数值下降,实验证明SMO算法具有占用内存少,运算速度快等优点,本文中的SMO改进算法可以节省50%时间.     

基于Mel子带的鲁棒性说话人识别系统

在分析各个Mel子带抗噪性能的基础上，提出了鲁棒性的说话人识别算法，经实验结果证明，在噪声环境下此算法能有效地提高说话人识别系统的识别率。     

MATLAB环境下基于矢量量化的说话人识别系统

在MATLAB环境下实现基于矢量量化的说话人识别系统.在实时录音的情况下,利用该识别系统,对不同人的1-7 s的语音进行辨识,准确率可达到98%.识别时间根据使用人数的不同,测试语音长度的不同辨识时间从1-20 s,实现与文本无关的自动说话人确认的实时识别.     

基于矢量量化改进算法的说话人识别

给出一种采用LPCCEP特征参数和改进矢量量化的数字音说话人识别方法 ,该方法适于说话人集合适中(10 0人以内 )情况 ,具有训练简单、存储数据量少、响应快等特点 .为提高系统的识别率和可靠性 ,系统采用了方差修正的VQ改进算法 ,使建立的说话人模型考虑了说话人帧特征概率分布的更精细结构 .实验结果表明 ,改进后的方法对提高系统的识别率效果明显     

基于可变电码本VQ的说话人识别

应用聚类有效性分析来生成可变电码本，实验数据表明，此算法能够根据每个说话人的语音特征自动生成大小合适的电码本，并且能够保持性能的条件下有效减小电码本的大小。     

基于PNDM算法的说话人识别系统

矢量量化（VQ）是一种广泛应用于说话人识别系统的算法,基于对各说话人空间矢量内的相关性的研究,结合PNDM算法,利用Matlab软件对说话人识别系统进行研究。经实验结果证明,该方法有效增加了说话人间的区分性,提高说话人识别系统的识别率。     

基于 CFCC-PCA 的说话人辨识方法

针对说话人训练和识别时间长、噪音环境下识别率低的问题,提出一种CFCC-PCA特征参数的说话人辨识方法。首先提取具有听觉特性的CFCC特征参数,然后对其进行PCA变换,找出具有分辨能力的参数,最后再用这些参数在云服务器中训练和识别说话人。实验表明：该方法可以提高说话人辨识的鲁棒性和识别率,云服务可提高系统实时性。     

基于核K-均值聚类和支持向量机结合的说话人识别方法

提出了基于核K-均值聚类方法与支持向量机结合的说话人识别方法,为每两个人建立一个支持向量机,对支持向量机输入的语音信号先进行核K-均值聚类,并选取有效样本作为支持向量机的输入,本文提出的聚类方法能够去更好的聚类并约简数据,提高了识别率.实验比较了在用支持向量机作为分类器的情况下,该核聚类与传统聚类方法的训练速度和识别性能,验证了本文提出方法的有效性.     

基于Sugeno测度的动态不可加双矢量量化说话人识别研究

针对双矢量量化方法中语音的静态特征和动态特征的权重不满足可加性的情况,提出了一种新的说话人识别方法——基于Sugeno测度的动态不可加双矢量量化说话人识别方法。该方法在Sugeno测度空间上将说话人语音的静态特征和动态特征用Sugeno测度进行动态融合。然后,在噪声环境下研究了该方法的识别效果,找到了噪声环境下语音的静态特征和动态特征参数的较优的权重组合。实验结果表明,与双矢量量化识别方法相比,该方法可以使识别率明显提高。该方法为研究各类语音特征参数之间的关系、探寻最优的特征匹配方案提供了一种新的途径。     

基于小波变换说话人识别技术的研究

提出了基于小波变换理论的说话人识别算法———小波基包法 .利用小波变换多分辨的特性 ,提取出真正地反映基音周期变化的基频包络 ,从声学语音学的角度去认识方言和口音 ,首次提出了汉语口音的参量表征 ,并应用到说话人识别当中 ,以实现从听觉的角度出发 ,进行说话人的先天特性与后天特性相结合的说话人识别 .结果表明 ,从基频包络中可以表现口音的一些表征 ,有助于认识说话人的特性 .     

基于倒谱加权的说话人识别技术

提出一种通过加不同权值来考察语音各阶参数的抗噪性强弱的方法,采用此方法分析了对干净语音和加白噪声语音的Mel倒谱各阶参数加不同权值后对识别系统性能的影响。得出结论:高阶Mel倒谱参数抗噪性较差而低阶倒谱参数抗噪性较好。因此可以根据抗噪性的强弱对该倒谱各阶参数进行合理加权,以便突出抗噪性强的参数对说话人识别系统的贡献。     

基于子带处理多分类器融合的说话人识别

提出了一种基于子带处理多分类器融合的说话人识别方法 .宽带语音信号通过Mel滤波器组转变为多个子带信号 ,对各子带数据独立分析提取相应的特征参数 ,进而对每个子带分别建立识别模型进行判决 ,最后利用分类器融合规则 ,给出总体判决 .研究表明 ,该方法在子带数目选为 16时可以得到最好的识别效果 ,并且在有窄带噪声的情况下 ,子带多分类器融合法比宽带语音数据建模表现出更好的鲁棒性 .     

基于矢量量化方法的说话人识别技术

说话人识别是一项通过语音来识别说话人身份的技术，它在保安、司法、军事、财经和信息服务等领域都具有广泛的应用前景。该文采用线性预测倒谱系数和美尔倒谱系数特征相结合，基于矢量量化聚类方法建立了一个与文本无关的、连续语音发音的说话人识别系统。只要矢量量化聚类法码本大小选择合适，该说话人识别系统就可以获得较好的识别效果。当阈值恰当选取时，该系统具备拒绝识别集外人的功能。     

基于支持向量机和遗传算法的特征选择

支持向量机是一个具有多类分类能力的非线性分类器,利用特征集中的不同特征组合构成特征子集,所提供的数据在支持向量机上的平均正确分类率为目标函数值,利用遗传算法在整个特征组合空间中搜索能实现平均正确分类率最大化的最优特征子集。     

改进PSO-SVM在说话人识别中的应用

为了加快粒子群优化算法的收敛速度,增强全局的搜索能力,通过对粒子群优化算法中惯性权重和全局最优值的分析,提出了一种根据迭代次数而自适应变化的惯性权重的粒子群优化方法。改进后的粒子群算法在防止陷入局部最优的能力方面有了明显的增强,同时,给出了应用粒子群优化算法训练支持向量机的方法,并将其应用于说话人识别。实验结果证实了在说话人识别中改进PSO-SVM方法比其他传统方法能获得更好的识别精度和识别速度。