[发明专利]具备未知类别内部划分能力的声纹开集识别方法

权利要求书

1.一种具备未知类别内部划分能力的声纹开集识别方法，其特征在于，包括如下步骤：

首先，以某一语言为母语，带有不同口音的语言使用者的多个语音片段，构建文本无关的声纹开集识别数据集；其次，将不同说话人的语音数据作为声纹开集识别系统的输入，逐条计算语音数据的梅尔频率倒谱系数特征，对数据集中的原始音频数据进行特征变换，经过预加重、分帧、加窗、快速傅里叶变换(FFT)、梅尔滤波器组过滤、取对数、离散余弦变换(DCT)这几个预处理步骤后，将数据集中的音频进行特征变换，得到关于音频数据的梅尔频率倒谱系数特征；再次，将音频数据的梅尔倒谱系数特征作为音频编码模块GE2E的输入，音频编码模块GE2E的采用广义端到端损失函数GE2E进行训练，生成关于音频的固定维向量映射，优化音频的特征编码，加强不同个体音频特征编码的差异性，有效消除说话者之间的歧义；然后，将梅尔倒谱系数的GE2E音频编码作为概率阶梯深度神经网络模块CGDL的输入，梯深度神经网络模块CGDL结合多元高斯模型，设置概率阶梯网络，在隐空间生成已知类别的条件后验分布，导出已知类别的多元高斯分布，判断任意音频数据是否属于已知类别，对CGDL判定为已知类别的音频数据进行分类，同时将CGDL判定为未知类别数据存储在内存中，最后，对于由CGDL模块判定为未知类别的音频数据，构造并训练无界交错状态神经网络UISRNN，对音频数据进行在线聚类，得到的聚类数目即是说话人的数目，某一聚类中的所有音频数据从属同一说话人。

2.如权利要求1所述的具备未知类别内部划分能力的声纹开集识别方法，其特征在于：在预加重预处理步骤中，语音信号通过一个高通滤波器进行预加重，补偿语音信号受到发音系统所抑制的高频部分，将变得平坦的频谱保持在低频到高频的整个频带中。

3.如权利要求2所述的具备未知类别内部划分能力的声纹开集识别方法，其特征在于：预加重后，为了避免相邻两帧的变化过大，将N个采样点集合成一个观测单位，称为帧，将信号切分为帧后，根据采样点两相邻帧之间包含了M个取样点的一段重叠区域，将信号分成短时帧，在这个短时间帧内，采用短时傅里叶变换STFT，通过连接相邻帧来获得信号的近似频率轮廓。

4.如权利要求1所述的具备未知类别内部划分能力的声纹开集识别方法，其特征在于：在帧、加窗、快速傅里叶变换(FFT)预处理步骤中，分信号分帧后，将一个窗口函数应用于窗口随时间滑动(Slide)或跳跃(hop)的每个帧，然后对分帧加窗后的各帧信号进行快速傅里叶变换FFT得到各帧的频谱，并对语音信号的频谱取模平方，得到语音信号的功率谱；短时傅里叶变换STFT将信号的特性转换为频域上的能量分布，被计算为一系列加窗数据帧，快速傅里叶变换FFT将每一帧乘以汉明窗增加帧左端和右端的连续性，各帧信号再经过快速傅里叶变换FFT得到各帧在频谱上能量分布的频谱。

5.如权利要求1所述的具备未知类别内部划分能力的声纹开集识别方法，其特征在于：在梅尔滤波器组过滤、取对数预处理步骤中，将上述FFT得到的各帧在频谱上能量分布的频谱送入Mel滤波器组进行滤波，将线性的自然频谱转换为体现人类听觉特性的Mel频谱，在Mel频谱上面进行倒谱分析，取对数，通过DCT离散余弦变换DCT做逆变换，然后取DCT后的第2个到第13个系数作为语音特征是梅尔倒谱系数MFC，获得Mel频率倒谱系数MFCC，这个MFCC就是这帧语音的特征。