-
题名PCA变换下的GMM-SVM话者确认研究
被引量：1
- 1
-
-
作者
卓著
李辉
-
机构
中国科学技术大学电子科学与技术系语音信息处理实验室
-
出处
《小型微型计算机系统》
CSCD
北大核心
2015年第3期637-640,共4页
-
文摘
针对支持向量机(SVM)输入参数不能充分利用高斯混合模型(GMM)均值、方差、权重所携带的说话人信息,而导致与文本无关话者确认系统性能下降的问题,本文结合GMM的均值、方差、权重,提出一种新的、基于自适应后GMM的,SVM模型输入特征提取方法。在NIST 06语音数据库上的实验表明,本方法将等误识率(EER)从高斯混合模型-通用背景模型(GMMUBM)系统的8.49%,下降到基于离散余弦变换(DCT)变换GMM-SVM系统的4.16%,以及基于主元成分分析(PCA)GMMSVM系统的3.3%.
-
关键词
主元成分分析
gmm超矢量
支持向量机
话者确认
-
Keywords
PeA
gmm supervector
support vector machine
speaker verification
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名语种识别算法中GSV计算的定点仿真与实现
被引量：1
- 2
-
-
作者
张丽
杨镇西
吉立新
-
机构
国家数字交换系统工程技术研究中心
-
出处
《计算机工程与设计》
CSCD
北大核心
2012年第2期679-683,共5页
-
基金
国家863高技术研究发展计划基金项目(2008AA011002)
-
文摘
基于GSV-SVM的语种识别方法是目前最为流行的语种识别方法之一,其采用基于通用背景模型GMM-UBM的GSV作为声学模型,支持向量机SVM作为区分模型。大量仿真测试结果表明,GSV在整个系统中占的运算量为80%左右,是算法硬件实现的瓶颈。鉴于此,对基于GSV的硬件实现方法进行了研究,提出了一种快速GSV定点计算方法,其采用addlog运算简化对数似然函数的计算,完成了语种识别的高效定点实现。实验结果表明,该定点方法的识别率与浮点识别基本一致,满足应用要求。
-
关键词
语种识别
高斯混合模型-通用背景模型
gmm超矢量
定点实现
addlog运算
-
Keywords
language recognition
gmm-UBM
GSV
fixed-point implementation
addlog
-
分类号
TP391.42
[自动化与计算机技术—计算机应用技术]
-
-
题名基于因子分析信道失配补偿的SVM话者确认方法
被引量：2
- 3
-
-
作者
吴德辉
李辉
刘青松
戴蓓蒨
-
机构
中国科学技术大学电子科学与技术系
-
出处
《模式识别与人工智能》
EI
CSCD
北大核心
2010年第1期59-64,共6页
-
文摘
针对信道失配和统计模型区分性不足而导致话者确认性能下降问题,文中提出一种将因子分析信道失配补偿与支持向量机模型相结合的文本无关话者确认方法.在SVM话者模型前端采用高斯混合模型-背景模型(GMM-UBM)方法对语音特征参数进行聚类和升维,并利用因子分析(FA)方法,对聚类获得的超矢量进行信道补偿后作为基于SVM话者确认的输入特征,从而有效解决SVM用于文本无关话者确认的大样本、升维问题,以及信道失配对性能影响问题.在NIST06数据库上实验结果表明,文中方法比未做失配补偿的GMM-UBM系统、GMM-SVM系统在等误识率上有50%以上的改善,比做了FA失配补偿的GMM-UBM系统也有15.8%的改善.
-
关键词
因子分析
高斯混合模型(gmm)超矢量
支持向量机(SVM)
话者确认
-
Keywords
Factor Analysis, Gaussian Mixture （ SVM）, Speaker Verification Model （gmm） Super Vector, Support Vector Machine
-
分类号
TN912.34
[电子电信—通信与信息系统]
-
-
题名基于韵律特征的SVM说话人确认
被引量：2
- 4
-
-
作者
黄肖忠
李辉
许东星
郭伟
-
机构
中国科学技术大学电子科学与技术系
-
出处
《计算机工程与应用》
CSCD
北大核心
2011年第15期148-151,224,共5页
-
文摘
提出了一种基于韵律特征和SVM的文本无关说话人确认系统。采用小波分析方法,从语音信号的MFCC、F0和能量轨迹中提取出超音段韵律特征,通过实验研究三者的韵律特征在特征层的最佳互补融合,得到信号的韵律特征PMFCCFE,用韵律特征的GMM均值超矢量作为参数训练目标话者的SVM模型,以更有效地区分目标话者和冒认话者。在NIST068side-1side数据库的实验表明,以短时倒谱参数的GMM-UBM系统为基准,超音段韵律特征的GMM-SVM系统的EER相对下降了57.9,MinDCF相对下降了41.4。
-
关键词
韵律特征
高斯混合模型(gmm)超矢量
支持向量机
文本无关说话人确认
-
Keywords
prosodic features
Gaussian Mixture Model （gmm） supervector
Support Vector Machine （SVM）
text-independent speaker verification
-
分类号
TN912.3
[电子电信—通信与信息系统]
-
