[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的偽裝語音識別方法

在審

• 申請?zhí)枺?/td>: 201810214631.1
• 申請日: 2018-03-15
• 公開（公告）號: CN108806698A
• 公開（公告）日: 2018-11-13
• 發(fā)明（設(shè)計）人: 康顯桂;梁惠欣
• 申請（專利權(quán)）人: 中山大學(xué)
• 主分類號: G10L17/18
• 分類號: G10L17/18;G10L17/02;G10L17/04
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的偽裝語音識別方法，其特征在于，包括以下步驟：

S1：選定語音庫并對語音庫進行平均律變調(diào)，包括原始語音和偽裝語音，并將語音庫中的數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)；

S2：對訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)進行切割，同時對切割后的音頻片段進行預(yù)加重；

S3：利用短時傅里葉變換(STFT)對預(yù)加重后的音頻進行預(yù)處理，把一維數(shù)據(jù)變換為二維矩陣的形式；

S4：將訓(xùn)練數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練，得到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型；

S5：將經(jīng)過預(yù)處理后的測試數(shù)據(jù)輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中進行二分類，得到分類的準確率。

2.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的偽裝語音識別方法，其特征在于，步驟S1中所述語音庫包括TIMIT，NIST，UME這三個語音庫。

3.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的偽裝語音識別方法，其特征在于，步驟S1中所述平均律變調(diào)包括對語音庫進行f＝2^α/12.f_o12平均律變調(diào)，其中，f是指變調(diào)后語音的音高，f_o是指原始語音的音高，α表示偽裝因子，其取值范圍為[-11,11]。當(dāng)α取正數(shù)時，音調(diào)升高，頻譜延長；當(dāng)α取負數(shù)時，音調(diào)降低，頻譜壓縮。

4.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的偽裝語音識別方法，其特征在于，步驟S2所述對訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)進行切割包括將訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)切割為長度為1秒的語音片段。

5.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的偽裝語音識別方法，其特征在于，步驟S2所述預(yù)加重包括對所有語音進行加重因子為0.98的加重操作。

6.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的偽裝語音識別方法，其特征在于，步驟S3中所述短時傅里葉變換中窗口長度為256，重復(fù)點數(shù)為96，F(xiàn)FT長度1024。

7.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的偽裝語音識別方法，其特征在于，步驟S3所述短時傅里葉變換通過spectrogram函數(shù)進行。

8.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的偽裝語音識別方法，其特征在于，步驟S4所述卷積神經(jīng)網(wǎng)絡(luò)為4層的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，同時具有3層pooling層，激活函數(shù)選擇ReLu函數(shù)，以及在第一層卷積層之后加上歸一化層，即BN層，最后使用Softmax層進行分類，而在Softmax層前加上一個Dropout層，用來減少參數(shù)，防止過擬合的現(xiàn)象。

9.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的偽裝語音識別方法，其特征在于，步驟S5所述的準確率的計算公式為

d＝(S_d+O_d)/(S+O)，其中S表示的是測試數(shù)據(jù)中偽裝語音的個數(shù)，O表示的是測試數(shù)據(jù)中原始語音的個數(shù)，S_d表示的是從偽裝語音中判斷為偽裝語音的個數(shù)，O_d表示的是從原始語音中判斷為原始語音的個數(shù)，等式左邊的d就是通過計算得到的準確率。