资料下载
说话人识别中基于Fisher比的特征组合方法
分享资料个
为了提高说话人识别的准确率，可以同时采用多个特征参数，针对综合特征参数中各维分量对识别结果的影响可能不一样，同等对待并不一定是最优的方案这个问题，提出基于Fisher准则的梅尔频率倒谱系数（MFCC）、线性预测梅尔倒谱系数（ LPMFCC）、Teager能量算子倒谱参数（TEOCC）相混合的特征参数提取方法。首先，提取语音信号的MFCC、LPMFCC和TEOCC三种参数；然后，计算MFCC和LPMFCC参数中各维分量的Fisher比，分别选出六个Fisher比高的分量与TEOCC参数组合成混合特征参数；最后，采用TIMIT语音库和NOISEX-92噪声库进行说话人识别实验。仿真实验表明，所提方法与MFCC、LPMFCC、MFCC+ LPMFCC、基于Fisher比的梅尔倒谱系数混合特征提取方法以及基于主成分分析（PCA）的特征抽取方法相比，在采用高斯混合模型（GMM）和BP神经网络的平均识别率在纯净语音环境下分别提高了21. 65个百分点、18. 39个百分点、15. 61个百分点、15. 01个百分点与22. 70个百分点；在30 dB噪声环境下，则分别提升了15.15个百分点、10. 81个百分点、8.69个百分点、7.64个百分点与17. 76个百分点。实验结果表明，该混合特征参数能够有效提高说话人识别率，且具有更好的鲁棒性。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
