基于PCANN的說(shuō)話人識(shí)別方法研究

1引言

說(shuō)話人識(shí)別是根據(jù)從說(shuō)話人所發(fā)語(yǔ)音中提取信息判斷說(shuō)話人身份的過(guò)程。語(yǔ)音信號(hào)中包含了話音特征和說(shuō)話人個(gè)性特征，說(shuō)話人識(shí)別的關(guān)鍵問(wèn)題之一是提取反映說(shuō)話人個(gè)性的語(yǔ)音特征參數(shù)。在說(shuō)話人識(shí)別系統(tǒng)中常用的語(yǔ)音特征參數(shù)主要有，LPC 倒譜系數(shù)(LPCC) 、Mel 頻率倒譜系數(shù)（MFCC）、線譜對(duì)（LSP）等 。在純凈語(yǔ)音環(huán)境中，系統(tǒng)已經(jīng)達(dá)到很好的識(shí)別性能，但是在實(shí)際應(yīng)用的環(huán)境中，由于背景噪聲的存在，系統(tǒng)往往達(dá)不到令人滿意的效果。

主分量分析PCA (primary component analyze)是統(tǒng)計(jì)學(xué)中一種根據(jù)數(shù)據(jù)的統(tǒng)計(jì)分布特性,提取數(shù)據(jù)主要成分的數(shù)據(jù)處理方法. 它是最小均方誤差下的最優(yōu)正交變換，對(duì)消除模式間的相關(guān)性、突出模式間差異性有最佳的效果，所以常被用于數(shù)據(jù)的壓縮和模式識(shí)別的特征提取 . 由于它需要對(duì)原始數(shù)據(jù)的方差矩陣進(jìn)行估值并求取其特征值和特征向量, 計(jì)算量異常巨大, 而基于神經(jīng)網(wǎng)絡(luò)的主分量分析算法不必進(jìn)行矩陣求逆運(yùn)算，并且神經(jīng)網(wǎng)絡(luò)具有并行運(yùn)算能力, 這將降低PCA 計(jì)算量, 提高PCA 的實(shí)用性 。對(duì)語(yǔ)音信號(hào)的原始特征作主分量分析后往往能得到更好的特征參數(shù) 。本文選用LPC倒譜系數(shù)作為表征聲道的特征參數(shù)，采用相繼的幾幀組成的特征參數(shù)矢量作為樣本，對(duì)其進(jìn)行主分量分析，這樣去除了特征中的冗余信息，壓縮特征參數(shù)的維數(shù)，得到新的PCA特征參數(shù)，然后把PCA特征參數(shù)作為GMM模型的輸入向量，進(jìn)行說(shuō)話人識(shí)別的訓(xùn)練和識(shí)別。

本文第二節(jié)介紹主分量分析神經(jīng)網(wǎng)絡(luò)的原理和算法，第三節(jié)介紹高斯混和模型和LPCC特征參數(shù)，第四節(jié)給出相應(yīng)的說(shuō)話人識(shí)別系統(tǒng)實(shí)驗(yàn)和結(jié)果，最后是簡(jiǎn)要的討論與展望。

2主分量神經(jīng)網(wǎng)絡(luò)(PCANN)

主分量神經(jīng)網(wǎng)絡(luò)是基于Hebb 學(xué)習(xí)規(guī)則的線性無(wú)監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò), 它可以通過(guò)對(duì)權(quán)矩陣W 的學(xué)習(xí), 使W接近于原始數(shù)據(jù)X的關(guān)聯(lián)矩陣C中特征值所對(duì)應(yīng)的特征向量, 而不必進(jìn)行矩陣求逆運(yùn)算,提高了運(yùn)算速度。
2.1 基于Hebb學(xué)習(xí)的最大特征濾波器

2.2 基于Hebb 學(xué)習(xí)的主分量分析網(wǎng)絡(luò)

圖3：提取前m個(gè)主分量的神經(jīng)網(wǎng)絡(luò)解析圖

3識(shí)別系統(tǒng)特征參數(shù)以及模型

3.1 語(yǔ)音的主分量特征參數(shù)（PCA特征）
本文選用線性預(yù)測(cè)倒譜系數(shù)（LPCC）作為語(yǔ)音的原始特征參數(shù)然后對(duì)其進(jìn)行主分量分析。LPCC系數(shù)是一種非常重要的特征參數(shù)。它的主要優(yōu)點(diǎn)是比較徹底地去掉了語(yǔ)音產(chǎn)生過(guò)程中的激勵(lì)信息，主要反映聲道相應(yīng)，而且往往只要十幾個(gè)倒譜系數(shù)就能較好地描述語(yǔ)音信號(hào)的共振峰特性，因此在識(shí)別中取得了較好的效果。在實(shí)際計(jì)算中，LPCC參數(shù)不是由信號(hào)直接得到的，而是由LPC系數(shù)得到的。關(guān)系式如下：

（8）
這里 實(shí)際上是直流分量,反映頻譜能量,其值的大小不影響譜形,在識(shí)別中通常不用,也不去計(jì)算。當(dāng)LPCC系數(shù)個(gè)數(shù)不大于LPC系數(shù)個(gè)數(shù)時(shí)用第二式,當(dāng)LPCC系數(shù)個(gè)數(shù)大于LPC系數(shù)個(gè)數(shù)時(shí),用第三式進(jìn)行計(jì)算。

4實(shí)驗(yàn)及結(jié)果分析
本文實(shí)現(xiàn)了一個(gè)在噪聲環(huán)境下與文本無(wú)關(guān)的說(shuō)話人自動(dòng)識(shí)別系統(tǒng)。使用的是一個(gè)含20人的語(yǔ)音數(shù)據(jù)庫(kù)，包括10名男性和10名女性，每人語(yǔ)音長(zhǎng)度約90秒。采樣率為12kHz，采用16bit量化。

首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，包括端點(diǎn)檢測(cè)、預(yù)加重(H(z)=1-0.95 )和加窗（Hamming窗，幀長(zhǎng)20ms，幀移10ms）。原始特征選為12階的LPCC倒譜參數(shù)，主分量特征個(gè)數(shù)選12階。高斯模型混合數(shù)M=16。訓(xùn)練音長(zhǎng)為40s，測(cè)試音為3s。實(shí)驗(yàn)結(jié)果如表(1):

表1 實(shí)驗(yàn)結(jié)果（％）

圖(4)是根據(jù)表(1)中的數(shù)據(jù)畫出的曲線。

從表(1)可以看出，與傳統(tǒng)的GMM方法相比，PCANN_GMM方法明顯增強(qiáng)系統(tǒng)抗噪聲能力，改進(jìn)了識(shí)別效果。并且在PCANN_GMM中，幀數(shù)不同對(duì)識(shí)別也有較小的影響，當(dāng)幀數(shù)大于5幀時(shí)，系統(tǒng)的識(shí)別性能不再提高。

5總結(jié)

本文運(yùn)用PCANN/GMM方法進(jìn)行說(shuō)話人識(shí)別，將多幀特征參數(shù)合并為一幀，利用了幀間相關(guān)性，對(duì)其進(jìn)行主分量分析，減少了冗余度，提高了系統(tǒng)的魯棒性。另外，當(dāng)前的說(shuō)話人識(shí)別研究還主要集中在聲學(xué)特征層次進(jìn)行,基于人們說(shuō)話中含有的高級(jí)特征所進(jìn)行的研究雖然很多,下一步的工作將結(jié)合聲學(xué)特征和高級(jí)特征,研究它們之間的關(guān)系,從而進(jìn)一步提高說(shuō)話人識(shí)別系統(tǒng)的性能。

參考文獻(xiàn)

[1] 趙力. 語(yǔ)音信號(hào)處理 北京：機(jī)械工業(yè)出版社,2003
[2] E.Oja. “A Simplified Neural Model as a Principal Components Analyzer”,Journal of Mathematic Biology,VOL.19,pp.267-273,1982
[3] Sanger T D. “Optimal Unsupervised Learing In a Singer Layer Linear Feedforward Neural Network”,Neural Networks, pp459-473, 1989
[4] 何振亞 顧明亮 語(yǔ)音信號(hào)的主分量特征 應(yīng)用科學(xué)學(xué)報(bào), VOL 17,NO.4,1999
[5] Simon Haykin. 神經(jīng)網(wǎng)絡(luò)原理. 北京：機(jī)械工業(yè)出版社, 2004
[6] Chanchal Chatterjee. and Vwani P.Roychowdhury. “On Relative Convergence Properties of Principal Component Analysis Algorithms”,IEEE Transactions On Neural Networks, VOL.9,NO.2,March 1998
[7] Oh-Wook Kwon. and Kwokleung Chan. “Speech Feather Analysis Using Variational Bayesian PCA”,IEEE Signal Processing Letters,VOL.10,NO.5,May 2003