论文部分内容阅读
本文主要研究信道失配下说话人确认的失配补偿问题,信道失配是影响说话人确认系统,尤其是复杂环境下的文本无关话者确认系统性能的一个主要因素。为了提高系统的性能和鲁棒性,本文在目前基于GMM-UBM的文本无关话者识别系统中,对系统中存在的信道失配问题,采用基于因子分析的失配补偿方法去除训练和测试语音中的信道干扰,补偿后的话者模型和测试语音再进行测试评分,以提高现有说话人确认系统的性能,本文还对基于因子分析的失配补偿方法的测试评分部分进行改进,降低了评分部分的计算量,而且系统性能也有提高。本文的主要研究工作为:1)针对现有的复杂信道条件下如何提高系统的鲁棒性问题,研究和比较了多种信道失配补偿算法,在GMM-UBM系统框架下,采用联合因子分析的方法进行失配补偿。2)针对联合因子分析方法运算量大,算法复杂度高以及需要大量的数据训练空间的问题,本文采用简化的因子分析,它同联合因子分析的区别在于对说话人信息的建模上,说话人空间不需要额外训练,直接从UBM中得到,减少对数据的要求。3)如何利用简化的因子分析对信道失配进行补偿,本文分别给出了在特征域和模型域上进行补偿的方法。在特征域进行补偿,即把特征参数中的信道信息去除,得到与信道无关的新参数,然后通过GMM-UBM模型计算对数似然函数比,得到评分结果。而基于GMM-UBM框架下模型域的补偿方法,则需要对原GMM-UBM模型的似然函数重新构造,本文比较了多种不同似然函数的估计方法,从识别性能和运算量两方面考虑,利用线性评分作为模型域的似然函数比。4)针对现有的基于因子分析的说话人确认系统评分的复杂性以及需要较大运算量的问题,提出了直接利用话者因子的相似度来计算评分。首先在训练阶段和测试阶段分别用因子分析的方法从语音中估计出话者因子,然后直接利用话者因子评分。对比SVM和其它的FA-GMM-UBM话者确认系统,本文中所采用的系统训练阶段和测试阶段的流程相同,并且目标话者模型只需要存储话者因子,存储量少。在NIST2008数据库上的实验结果表明,基于话者因子的评分对比其它因子分析模型的评分方法,更加简单,说话人确认系统的性能更好。