[發(fā)明專利]基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)和高斯混合背景模型相結(jié)合的說(shuō)話人確認(rèn)方法

無(wú)效

• 申請(qǐng)?zhí)枺?/td>: 200910024432.5
• 申請(qǐng)日: 2009-02-24
• 公開（公告）號(hào): CN101814159A
• 公開（公告）日: 2010-08-25
• 發(fā)明（設(shè)計(jì)）人: 余華;戴紅霞;陳存寶;趙力;魏昕;奚吉;王青云;梁瑞宇
• 申請(qǐng)（專利權(quán)）人: 余華
• 主分類號(hào): G06N3/08
• 分類號(hào): G06N3/08;G10L17/00
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

技術(shù)領(lǐng)域

本發(fā)明涉及一種說(shuō)話人確認(rèn)方法，特別涉及一種基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)和高斯混合背景模型相結(jié)合的說(shuō)話人確認(rèn)方法。?

背景技術(shù)

在門禁、信用卡交易和法庭證據(jù)等方面，自動(dòng)說(shuō)話人確認(rèn)，特別是與文本無(wú)關(guān)的說(shuō)話人確認(rèn)起著越來(lái)越重要的作用，它的目標(biāo)是確認(rèn)待測(cè)說(shuō)話人是否是所稱的那個(gè)人。?

在說(shuō)話人確認(rèn)方法上，基于高斯混合背景模型(GMM-UBM)方法越來(lái)越受到重視，由于它具有識(shí)別率高，訓(xùn)練簡(jiǎn)單，訓(xùn)練數(shù)據(jù)量要求不大等優(yōu)點(diǎn)，已經(jīng)成為目前主流的識(shí)別方法。基于高斯混合模型超向量的支持向量機(jī)(SVM)和因子分析方法則代表GMM-UBM方法的最新成果，它們利用GMM-UBM模型訓(xùn)練獲取均值超向量，利用投影或因子分析方法對(duì)均值超向量進(jìn)行處理，再利用SVM或其它方法進(jìn)行確認(rèn)。由于高斯混合模型(GMM)具有很好的表示數(shù)據(jù)的分布的能力，只要有足夠多的項(xiàng)，足夠多的訓(xùn)練數(shù)據(jù)，GMM就能夠逼近任何分布模型。但是，GMM只能逼近數(shù)據(jù)分布，對(duì)底層數(shù)據(jù)分布的改變無(wú)能為力，它不能對(duì)數(shù)據(jù)作任何變換，或者說(shuō)不能改變數(shù)據(jù)的分布；另外，在選擇GMM模型時(shí)，通常取各個(gè)高斯分布的方差矩陣為對(duì)角矩陣，這個(gè)假設(shè)也不是很合理，這樣要求高斯混合項(xiàng)足夠多；還有由于訓(xùn)練和確認(rèn)時(shí)信道可能不匹配會(huì)導(dǎo)致確認(rèn)率降低。?

自聯(lián)想神經(jīng)網(wǎng)絡(luò)(AANN)在說(shuō)話人識(shí)別方面也占有重要的位置，多層感知器(MLP)、射線基(RadialBasis)網(wǎng)絡(luò)、時(shí)延網(wǎng)絡(luò)(TDNN)等已經(jīng)成功應(yīng)用于說(shuō)話人識(shí)別，并且取得很好的識(shí)別效果。神經(jīng)網(wǎng)絡(luò)對(duì)特征向量進(jìn)行變換，通過(guò)學(xué)習(xí)，使變換得到的特征向量以某種方式逼近目標(biāo)向量，逼近的準(zhǔn)則通常是最小均方誤差(MMSE)準(zhǔn)則。可以預(yù)見(jiàn)的是，如果將神經(jīng)網(wǎng)絡(luò)技術(shù)和高斯混合背景模型相結(jié)合起來(lái)，將會(huì)大大提高系統(tǒng)的識(shí)別率，但是目前還沒(méi)有出現(xiàn)此類方法。?

發(fā)明內(nèi)容

本發(fā)明的目的就在于解決現(xiàn)有技術(shù)的缺陷，提出了基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)和高斯混合背景模型相結(jié)合的說(shuō)話人確認(rèn)方法。本發(fā)明的技術(shù)方案是：?

基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)和高斯混合背景模型相結(jié)合的說(shuō)話人確認(rèn)方法，其特征在于包括以下步驟：?

在訓(xùn)練時(shí)，利用自聯(lián)想神經(jīng)網(wǎng)絡(luò)(AANN)對(duì)特征向量進(jìn)行變換，并且學(xué)習(xí)特征向量集的結(jié)構(gòu)，然后把學(xué)習(xí)結(jié)果以殘差特征向量(即輸入向量與AANN網(wǎng)絡(luò)的輸出之差)的形式提供給高斯混合模型(GMM)，進(jìn)行GMM模型訓(xùn)練；?

通過(guò)一個(gè)兩階段方法來(lái)訓(xùn)練這個(gè)通用背景模型和說(shuō)話人模型，訓(xùn)練AANN網(wǎng)絡(luò)的過(guò)程和訓(xùn)練GMM模?型的過(guò)程交替進(jìn)行；訓(xùn)練通用背景模型的GMM時(shí)采用期望最大(EM)方法，訓(xùn)練目標(biāo)說(shuō)話人模型的GMM時(shí)用最大后驗(yàn)概率(MAP)方法，訓(xùn)練AANN時(shí)采用帶慣性的反向傳播(BP)向后反演法；?

在進(jìn)行說(shuō)話人確認(rèn)時(shí)，由于AANN網(wǎng)絡(luò)已經(jīng)學(xué)習(xí)了目標(biāo)說(shuō)話人特征空間的結(jié)構(gòu)，所以輸入特征向量，AANN網(wǎng)絡(luò)會(huì)把特征向量作適當(dāng)?shù)淖儞Q，然后提供給GMM模型，而會(huì)起到增強(qiáng)目標(biāo)特征的似然概率，降低非目標(biāo)特征的似然概率。在所述的基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)和高斯混合背景模型相結(jié)合的說(shuō)話人確認(rèn)方法中，所述的通用背景模型訓(xùn)練過(guò)程如下：?

(1)確定GMM模型和AANN網(wǎng)絡(luò)結(jié)構(gòu)；?

(2)設(shè)定收斂條件和最大迭代次數(shù)；?

(3)隨機(jī)確定AANN網(wǎng)絡(luò)和GMM模型參數(shù)；?

(4)把背景特征向量輸入AANN網(wǎng)絡(luò)，得到所有的殘差向量；?

(5)固定AANN網(wǎng)絡(luò)參數(shù)，利用如下各式修正GMM模型各個(gè)高斯分布的權(quán)系數(shù)，均值和方差(可由均方值和均值得到)：?