PCA-VQ融合降维的SMO-SVM说话人识别研究

针对说话人语音原始梅尔频率倒谱系数(MFCC)特征参数维数较高造成的模型计算效率低以及不稳定的问题，基于序列最小优化(SMO)高效算法求解支持向量机(SVM)基本型的对偶问题，开展主成分分析-矢量量化((PCA-VQ)融合降维的SMO-SVM说话人识别算法研究。改进后的算法在MATLAB平台上仿真通过。仿真结果表明:通过PCA-VQ融合算法对MFCC特征参数进行优化降维后，SMO-SVM说话人识别模型的正确率提高3.77%，训练时间节省1.24 s，具有较好推广应用价值。