-
公开(公告)号：CN110265039A
公开(公告)日：2019-09-20
申请号：CN201910475010.3
申请日：2019-06-03
Applicant: 南京邮电大学
Abstract: 本发明提出了一种基于字典学习和低秩矩阵分解的说话人识别方法，包括以下步骤：步骤1，对说话人音频进行预加重、分帧、加窗、端点检测等处理；步骤2，提取出对应每个说话人语句的MFCC特征，并训练GMM-UBM模型；步骤3，通过联合因子分析（JFA）估算全局差异空间矩阵T，全局差异空间因子w；步骤4，得到对应每个说话人语句的i-vector；步骤5，从训练集中提取M维度的i-vector并生成特征矩阵，根据训练集和测试集，对判别字典进行生成，得到的字典将作为i-vector后端处理和打分模块，为最终判别提供依据；适应字典学习准则的编码系数可以有效提升识别力，并通过结构化稀疏来进行最优分类。
-
公开(公告)号：CN110265039B
公开(公告)日：2021-07-02
申请号：CN201910475010.3
申请日：2019-06-03
Applicant: 南京邮电大学
Abstract: 本发明提出了一种基于字典学习和低秩矩阵分解的说话人识别方法，包括以下步骤：步骤1，对说话人音频进行预加重、分帧、加窗、端点检测等处理；步骤2，提取出对应每个说话人语句的MFCC特征，并训练GMM‑UBM模型；步骤3，通过联合因子分析（JFA）估算全局差异空间矩阵T，全局差异空间因子w；步骤4，得到对应每个说话人语句的i‑vector；步骤5，从训练集中提取M维度的i‑vector并生成特征矩阵，根据训练集和测试集，对判别字典进行生成，得到的字典将作为i‑vector后端处理和打分模块，为最终判别提供依据；适应字典学习准则的编码系数可以有效提升识别力，并通过结构化稀疏来进行最优分类。
-
公开(公告)号：CN107146601B
公开(公告)日：2020-07-24
申请号：CN201710224925.8
申请日：2017-04-07
Applicant: 南京邮电大学
Abstract: 本发明公开了一种用于说话人识别系统的后端i‑vector增强方法，该方法以深层神经网络为基础,结合深度神经网络在语音增强方面的应用,建立了一种用于说话人识别系统后端的i‑vector回归模型,得到一种适用于说话人识别系统的后端特征处理器。相比常规的前端语音增强算法,本发明在提高说话人识别系统的抗噪声性能的同时,又能优化说话人识别系统的结构模型，从而使说话人识别系统在噪声环境下的实用性得到有效提升。
-
公开(公告)号：CN107146601A
公开(公告)日：2017-09-08
申请号：CN201710224925.8
申请日：2017-04-07
Applicant: 南京邮电大学
Abstract: 本发明公开了一种用于说话人识别系统的后端i‑vector增强方法，该方法以深层神经网络为基础,结合深度神经网络在语音增强方面的应用,建立了一种用于说话人识别系统后端的i‑vector回归模型,得到一种适用于说话人识别系统的后端特征处理器。相比常规的前端语音增强算法,本发明在提高说话人识别系统的抗噪声性能的同时,又能优化说话人识别系统的结构模型，从而使说话人识别系统在噪声环境下的实用性得到有效提升。
-
-
-
Search Results
4
records
(took 0.02 seconds)
