[发明专利]一种基于嵌入时延神经网络的高斯混合模型的说话人识别方法

权利要求书

1.一种基于嵌入时延神经网络的高斯混合模型的说话人识别方法，其特征在于包括以下步骤：

(1)预处理与特征提取；

首先，使用了基于能量和过零率的方法进行静音检测，并用谱减法去除噪声，并对语音信号进行预加重，分帧，并进行线性预测(LPC)分析，然后从得到的LPC系数中求出倒谱系数作为说话人识别的特征向量；

(2)训练；

训练时，将提取出的特征向量经过延迟后进入时延神经网络(TDNN)，TDNN学习特征向量的结构，提取特征向量序列的时间信息；然后把学习结果以残差特征向量的形式提供给高斯混合模型(GMM)，采用最大期望方法进行GMM模型训练，并且利用带惯性的向后反演方法更新TDNN的权系数；具体训练过程如下：

(2-1)确定GMM模型和TDNN结构：

一个M阶GMM的概率密度函数是由M个高斯概率密度函数加权求和得到的，可以用如下形式表示：

p(xt|λ)=Σi=1Mpibi(xt)]]>

上式中x_t为D维特征向量，这里D＝13；b_i(x_t)是成员密度函数，其为均值矢量为u_i，协方差矩阵为∑_i的高斯函数；

bi(xt)=1(2π)D/2|Σi|1/2exp{-12(xi-ui)TΣi-1(xt-ui)}]]>

p_i是混合权值混合权值满足条件：完整的GMM模型参数如下：

λ＝{(p_i，u_i，∑_i)，i＝1，2，...，M}

在这里，利用的是不带反馈的TDNN特征向量x(n)经过线性延迟块的延迟后，作为TDNN的输入，TDNN对输入进行非线性变换，然后线性加权，得到输出向量，再与特征向量比较，通常使用的准则是最小均方准则(MMSE)；TDNN的隐含层的神经元数目与输入层的神经元的数目的比例为3∶2，非线性激活S函数为y为经过加权求和后的输入；在训练时，神经网络的惯性系数γ＝0.8；

(2-2)设定收敛条件和最大迭代次数；具体而言，收敛条件为相邻两次GMM系数与TDNN权系数的欧式距离小于0.0001，最大迭代次数通常不大于100；

(2-3)随机确定初始迭代的TDNN和GMM模型参数；TDNN的初始系数设定为由计算机产生的伪随机数，GMM的初始混合系数可以取为1/M，M为GMM的混合项数，GMM初始均值和方差由TDNN的残差向量经过LBG(Linde，Buzo，Gray)方法产生M个聚合类，分别计算这M个聚合类的均值和方差获得；

(2-4)把特征向量x(n)输入TDNN网络，将通过TDNN之前的特征向量x(n)与TDNN的输出特征向量o(n)相减，得到所有的残差向量；

(2-5)采用最大期望方法修正GMM模型的参数；

设残差向量为r_t，首先计算类别后验概率：

p(i|rt,λ)=pibi(rt)Σk=1Mpkbk(rt)]]>

然后更新混合权值均值矢量和协方差矩阵

pi‾=1NΣt=1Np(i|rt,λ)]]>

ui‾=Σt=1Np(i|rt,λ)xtΣt=1Np(i|rt,λ)]]>

Σ‾i2=Σt=1Np(i|rt,λ)xt2Σt=1Np(i|rt,λ)-ui‾2]]>

(2-6)利用修正后的GMM模型各个高斯分布的权系数，均值向量和方差，把残差带入，得到一个似然概率，利用带惯性的向后反演方法修正TDNN参数；

TDNN参数通过使下式中的函数极大化得到：

L(X)=argmaxωijΠt=1Np((xt-ot)|λ)]]>

其中o_t为神经网络输出，x_t为输入的特征矢量；

对上式取对数后再取负，得到：

G(X)=argminωij(-Σt=1Nlnp((xt-ot)|λ))]]>

采用带惯性的向后反演方法求G(X)其迭代公式如下：

Δωijk(m+1)=γΔωijk(m)-(1-γ)α∂F(x)∂ωijk|ωijk=ωijk(m)]]>

其中，为第m次迭代中，连接输入x_i和输出y_j的权系数，k为神经网络的层序号，α为迭代步长，F(x)＝-lnp((x_t-o_t)|λ)，γ为惯性系数；

(2-7)判断是否满足步骤(2-2)中设定的收敛条件或者是否达到最大迭代次数，如果是，则停止训练，否则，跳至步骤(2-4)；

(3)识别

识别时，特征向量序列X经过延迟后输入TDNN；然后将X与TDNN的输出序列O相减所得到的残差序列R提供给GMM模型，对于T个残差矢量的序列R＝R₁，R₂，...，R_T，它的GMM概率可以写为：

P(R|λ)=Πt=1Tp(Rt|λ)]]>

在对数域表示为：

L(R|λ)=logP(R|λ)=Σt=1Tlogp(Rt|λ)]]>

识别时运用贝叶斯定理，在N个未知话者的模型中，似然概率最大的模型对应的话者即为目标说话人：

i*=argmax1≤i≤NL(R|λi).]]>