[發明專利]一種基于高斯均值超矢量與譜聚類的錄音設備聚類方法

在審

• 申請號: 201710101547.4
• 申請日: 2017-02-24
• 公開（公告）號: CN106952643A
• 公開（公告）日: 2017-07-14
• 發明（設計）人: 李艷雄;張雪;李先苦;張聿晗
• 申請（專利權）人: 華南理工大學
• 主分類號: G10L15/04
• 分類號: G10L15/04;G10L25/24;G10L25/45;G10L25/51;G06F17/30
• 代理公司: 廣州市華學知識產權代理有限公司44245
• 代理人: 李斌

1.一種基于高斯均值超矢量與譜聚類的錄音設備聚類方法，其特征在于，包括下述步驟：

S1、讀入語音：讀入由不同錄音設備采集的語音樣本；

S2、預處理：對讀入的語音樣本進行預加重、分幀和加窗處理；

S3、提取特征：從每幀語音中提取梅爾頻率倒譜系數MFCC特征；

S4、訓練通用背景模型：以全部語音樣本的梅爾頻率倒譜系數MFCC特征作為輸入，采用期望最大化EM算法訓練生成一個通用背景模型UBM；

S5、訓練高斯混合模型：以某個語音樣本的梅爾頻率倒譜系數MFCC特征作為輸入，采用最大后驗概率MAP算法更新通用背景模型UBM參數，得到該語音樣本對應的高斯混合模型GMM；

S6、構造高斯均值超矢量：將某個高斯混合模型GMM的所有高斯分量的均值矢量依次拼接，構成該高斯混合模型GMM的高斯均值超矢量；

S7、錄音設備聚類：采用譜聚類算法對全部語音樣本的高斯均值超矢量進行聚類，估計錄音設備個數并將相同錄音設備的語音樣本合并。

2.根據權利要求1所述的一種基于高斯均值超矢量與譜聚類的錄音設備聚類方法，其特征在于，所述步驟S2中語音預處理包括以下步驟：

S2.1、預加重：設置數字濾波器的傳遞函數為H(z)＝1-αz^-1，其中α為一個系數且取值為：0.9≤α≤1，讀入的語音通過該數字濾波器后實現預加重；

S2.2、分幀：設置語音幀的幀長為25毫秒、幀移為10毫秒，幀長和幀移所對應的采樣點個數分別為N＝0.025×f_s和S＝0.01×f_s，其中f_s為語音采樣頻率，將讀入的語音切分成語音幀x′_t(n)，1≤t≤T，0≤n≤N-1，其中T和N分別表示語音幀數和每幀語音的采樣點數；

S2.3、加窗：窗函數ω(n)為漢明窗：

將每幀語音x′_t(n)與漢明窗ω(n)相乘得到加窗后的語音x_t(n)：

x_t(n)＝ω(n)×x′_t(n)n＝0,1,...,N-1；t＝1,2,...,T。

3.根據權利要求1所述的一種基于高斯均值超矢量與譜聚類的錄音設備聚類方法，其特征在于，所述步驟S3中提取語音信號特征的步驟如下：

S3.1、對第t幀語音x_t(n)做離散傅立葉變換得到線性頻譜X_t(k)：

$X_t\left(k\right)=\underset{n=0}{\overset{N-1}{\Σ}}{x}_t\left(n\right)e^{-j\frac{2nk\mathrm{\π}}{N}},0\≤n,k\≤N-1;$

S3.2、將上述線性頻譜X_t(k)通過梅爾頻率濾波器組得到梅爾頻譜，再進行對數運算得到對數頻譜S_t(m)，其中梅爾頻率濾波器組為若干個帶通濾波器H_m(k)，0≤m＜D，D為濾波器的個數，每個濾波器具有三角形濾波特性，其中心頻率為f(m)，當m值較小時相鄰f(m)的間隔較小，隨著m的增加相鄰f(m)的間隔逐漸變大，每個帶通濾波器的傳遞函數為：

$H_m\left(k\right)=\left\{\begin{array}{cc}0& k\<f(m-1)\\ \frac{k-f(m-1)}{f\left(m\right)-f(m-1)}& f(m-1)\≤k\≤f\left(m\right)\\ \frac{f(m+1)-k}{f(m+1)-f\left(m\right)}& f\left(m\right)\<k\≤f(m+1)\\ 0& k\>f(m+1)\end{array}\right.$

其中，0≤m＜D，f(m)定義如下：

$f\left(m\right)=\left(\frac{N}{f_s}\right)B^{-1}\left(B\right(f_l)+m\frac{B\left(f_h\right)-B\left(f_l\right)}{M+1})$

其中，f_l、f_h為濾波器的最低頻率和最高頻率，B^-1為B的逆函數：

B^-1(b)＝700(e^b/1125-1)

因此由線性譜X_t(k)到對數譜S_t(m)的變換為：

$S_t\left(m\right)=ln\left(\underset{k=0}{\overset{N-1}{\Σ}}{\left|X\left(k\right)\right|}^2{H}_m\right(k\left)\right),0\≤m\<D;$

S3.3、采用離散余弦變換將上述對數頻譜S_t(m)變換到倒譜域，得到第t幀的MFCC特征，即C_t(p)：

$C_t\left(p\right)=\underset{m=0}{\overset{D-1}{\Σ}}{S}_t\left(m\right)cos\left(\frac{(m+0.5)n\mathrm{\π}}{D}\right),0\≤p\<D;$

S3.4、對每幀語音重復步驟S3.1-S3.3，得到所有T幀語音的梅爾頻率倒譜系數MFCC特征，將它們按幀的順序組合成一個梅爾頻率倒譜系數MFCC特征矩陣。