检索结果-内蒙古大学图书馆

电声技术 2016年第11期40卷 44-47页

作者：黄文娜彭亚雄贺松贵州大学大数据与信息工程学院贵州贵阳550025

为了改善发声力度变化对说话人识别系统性能的影响。针对不同发声力度下语音信号的分析,提出了使用发声力度最大后验概率(Vocal Effort Maximum A Posteriori,VEMAP)自适应方法更新基于高斯混合模型-通用背景模型(Gaussian Mixture Mode... 详细信息

为了改善发声力度变化对说话人识别系统性能的影响。针对不同发声力度下语音信号的分析,提出了使用发声力度最大后验概率(Vocal Effort Maximum A Posteriori,VEMAP)自适应方法更新基于高斯混合模型-通用背景模型(Gaussian Mixture Model-Universal Background Model,GMM-UBM)的说话人识别系统模型。实验表明,所提出的方法使不同发声力度下系统EER%降低了88.45%与85.16%,有效解决了因发声力度变化引起的训练语音与测试语音音量失配,从而导致说话人识别性能降低的问题,改善说话人识别系统性能效果显著。

关键词：说话人识别发声力度发声力度最大后验概率自适应高斯混合模型-通用背景模型

来源：评论

学校读者我要写书评

暂无评论

一种鲁棒性听觉特征的说话人确认系统

引用

无线电工程 2019年第7期49卷 606-610页

作者：文思进高勇四川大学电子信息学院

针对噪声环境下说话人确认系统性能急剧下降问题,根据人耳听觉感知特性,利用Gammachirp滤波器组来模拟人耳耳蜗听觉模型,提出了一种鲁棒性听觉特征参数(GammachirpFeatureCoefficient,GCFC)的提取方法。在高斯混合模型-通用背景模型(Gau... 详细信息

针对噪声环境下说话人确认系统性能急剧下降问题,根据人耳听觉感知特性,利用Gammachirp滤波器组来模拟人耳耳蜗听觉模型,提出了一种鲁棒性听觉特征参数(GammachirpFeatureCoefficient,GCFC)的提取方法。在高斯混合模型-通用背景模型(GaussianMixtureModel-UniversalBackground,GMM-UBM)下进行仿真实验,研究了不同噪声环境下系统的噪声鲁棒性和适应性。实验结果表明,在说话人确认系统中,新提取的听觉特征参数在噪声鲁棒性、噪声适应性和系统整体确认性能上均优于梅尔倒谱系数和基于Gammatone滤波器的听觉特征参数。

关键词：说话人确认 Gammachirp滤波器高斯混合模型-通用背景模型鲁棒性

来源：评论

学校读者我要写书评

暂无评论

GMM-UBM和SVM说话人辨认系统及融合的分析

GMM-UBM和SVM说话人辨认系统及融合的分析

引用

第九届全国人机语音通讯学术会议

作者：鲍焕军郑方清华大学信息技术研究院语音和语言技术中心

在说话人辨认任务中,高斯混合模型-通用背景模型(Gaussian mixture model-universal background model,GMM-UBM)采用帧向量进行建模和识别,突出了说话人个性特征,但受信道影响较大;支持向量机(support vector machine,SVM)利用帧向量在... 详细信息

在说话人辨认任务中,高斯混合模型-通用背景模型(Gaussian mixture model-universal background model,GMM-UBM)采用帧向量进行建模和识别,突出了说话人个性特征,但受信道影响较大;支持向量机(support vector machine,SVM)利用帧向量在空间中分布的高斯混合的均值进行建模和识别,对信道的鲁棒性较好,但对说话人的个性体现不够。本文分析了这两种说话人识别系统的优缺点,并采用融合方法来提高系统的性能。在NIST评测数据集的实验中,融合系统的等错误率从GMM-UBM系统的9.30%和SVM系统的8.26%降低到7.34%,分别相对降低了21.08%和11.14%。

关键词：信息处理说话人辨认高斯混合模型-通用背景模型支持向量机信道鲁棒

来源：评论

学校读者我要写书评

暂无评论

GMM-UBM和SVM说话人辨认系统及融合的分析

GMM-UBM和SVM说话人辨认系统及融合的分析

引用

第九届全国人机语言通讯学术会议

作者：鲍焕军郑方清华大学，信息技术研究院语音和语言技术中心，北京，100084，中国

在说话人辨认任务中，高斯混合模型-通用背景模型（Gaussian mixture model-universal background model， GMM-UBM）采用帧向量进行建模和识别，突出了说话人个性特征，但受信道影响较大;支持向量机（support vector machine， SVM）... 详细信息

在说话人辨认任务中，高斯混合模型-通用背景模型（Gaussian mixture model-universal background model， GMM-UBM）采用帧向量进行建模和识别，突出了说话人个性特征，但受信道影响较大;支持向量机（support vector machine， SVM）利用帧向量在空间中分布的高斯混合的均值进行建模和识别，对信道的鲁棒性较好，但对说话人的个性体现不够。本文分析了这两种说话人识别系统的优缺点，并采用融合方法来提高系统的性能。在NIST 评测数据集的实验中，融合系统的等错误率从GMM-UBM 系统的9.30％和SVM 系统的8.26％降低到7.34％，分别相对降低了21.08％和11.14％。

关键词：信息处理说话人辨认系统高斯混合模型-通用背景模型支持向量机信道鲁棒

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：