基于多特征决策融合的说话人识别研究的中期报告.docx

基于多特征决策融合的说话人识别研究的中期报告
一、研究背景
在生物特征识别中，语音识别技术是一种较为成熟的方法，其中说话人识别是语音识别领域的一个重要研究方向。说话人识别的主要目标是识别给定语音中的说话人身份，与声纹识别有所不同，该方法主要关注语音信号本身的特征。
传统的说话人识别方法主要基于高斯混合模型、支持向量机、K近邻等分类器，使用单一特征，如梅尔倒谱系数（MFCC），线性预测系数（LPC）和基频（Pitch）等来描述语音信号。在使用单一特征进行分类时，准确率往往不够高。
为了提高说话人识别的准确率，许多研究者使用多种特征提取技术。例如，基于MFCC和基频的特征提取方法已经被广泛应用，同时其他特征，如倒谱峰频率、线性频率倒谱系数、短时过零率和过零时刻等等，也可以用来描述语音信号。
目前，多特征融合被认为是提高说话人识别准确率的有效方法。在多特征融合中，特征级别掌握每个特征的优点和不足是非常重要的。
二、研究目标
本研究旨在探索多特征融合方法在说话人识别中的应用，从多角度解析说话人语音信号的特征，并提高说话人识别的准确率。本文使用四种特征提取方法，包括：
1.梅尔倒谱系数（MFCC）
2.线性预测系数（LPC）
3.基频（Pitch）
4.短时过零率（ZCR）
在使用这些特征来分类样本时，本研究利用多特征融合方法来提高分类准确率。
三、研究方法
在本研究中，我们使用了基于高斯混合模型（GMM）的三种分类器来对语音信号进行建模和分类，分别是全局GMM、比率GMM和时间演变GMM。
全局GMM是一个简单的模型，它认为特定的说话人有一个固定的高斯混合模型。比率GMM和时间演变GMM都是更复杂的模型，它们旨在动态地描述每个说话人的语音信号模式。对于所有的样本，我们使用GMM对每个特征进行建模，同时我们使用多个特征组合来分类样本并提高分类准确率。
采集了3名说话人的语音数据集，主要包含包括59段语音信号，均为3到5秒的短句子。在数据划分上，我们将数据集按3:1比例随机划分为训练集和测试集。
四、预期结果
我们对比了使用单一特征与多特征融合的分类结果，发现多特征融合方法在分类准确率方面优于单一特征。
具体地，仅使用MFCC特征时，分类准确率为84.75％，仅使用LPC特征时，分类准确率为89.83％，仅使用基频特征时，分类准确率为80.50％，仅使用ZCR特征时，分类准确率为76.98％。而使用多特征融合方法时，分类准确率为92.82％。
五、结论与展望
本研究利用多特征融合方法提高了说话人识别的准确率，证明了多特征融合在说话人识别中的有效性。未来研究将关注更具挑战性的实验设置，以进一步提高分类准确率，并在实际场景中应用多特征融合方法。