[发明专利]训练数据匮乏下的鲁棒性语音转换方法

权利要求书

1.训练数据匮乏下的鲁棒性语音转换方法，其特征在于：利用经验模式分解算法分析平行参数序列，挖掘源与目标个性特征相关的表征信息，并结合高斯过程模型设计并训练转换函数，压缩冗余信息，提高数据匮乏条件下的系统鲁棒性。

2.根据权利要求1所述的训练数据匮乏下的鲁棒性语音转换方法，其特征在于：所述利用经验模式分解算法分析平行参数序列，具体包括如下步骤：

（a1）利用线性谱频率参数的任一维特征空间在相邻时域上都具有连续变化的特性，利用下述两种方案中的任一方案获得时序序列：

方案一：对于源和目标平行的线性谱频率参数序列，逐次提取他们相应的某一维特征空间的系数，从而构成时序序列X(t)；

方案二：对源和目标平行的线性谱频率参数序列，以帧为单位并按时间顺序，分别首尾相连构成扩展的时序序列X(t)；

（a2）利用经验模式分解算法对源和目标的时序序列X(t)进行分解，得到若干固态函数c_i,i＝1,2,…,n和残差信号函数r_n，满足

3.根据权利要求1所述的训练数据匮乏下的鲁棒性语音转换方法，其特征在于：所述结合高斯过程模型设计并训练转换函数，具体包括如下步骤：

（b1）训练阶段

（b1-1）将系统输入X={x₁,x₂,…x_i,…,x_N}进行归一化，得到将系统输出Y={y₁,y₂,…y_i,…,y_N}进行归一化，得到其中；x‾i=xi-x~,]]>y‾i=y‾i-y~,]]>x~=Σj=1Nxj/N,]]>y~=Σj=1Nyj/N;]]>

（b1-2）将下述步骤①~③循环执行D次，其中D表示矢量维数，对于第j次执行：

①构造数据集合其中表示矩阵的第j行；

②针对R_j，选择相应的核函数建立一个高斯过程模型，令该高斯过程模型的参数结构为Θ_j；

③通过最大化边缘似然概率，求解Θ_j的最优值；

（b1-3）将求解得到的Θ={Θ₁,Θ₂,…,Θ_D}以及进行保存，供转换阶段使用；

（b2）转换阶段

（b2-1）将测试输入进行归一化，得到将测试输出Y_*进行归一化，得到表示矩阵的第j行；

（b2-2）将训练阶段得到的Θ_j带入建立高斯过程模型时设计的转换函数中求解，得到预测概率，取此概率函数的均值作为预测值；

（b2-3）利用训练阶段保存的将测试输出反归一化，即