[发明专利]一种应用于电力作业中的声纹识别的方法及系统

权利要求书

1.一种应用于电力作业中的声纹识别的方法，其特征在于，所述方法包括：

采集电力作业场景中不同人的声纹信息；

去除所述声纹信息中的噪声和干扰信息；

将去噪后的声纹信息进行非负矩阵分解NMF提取特征；

基于NMF处理的声纹信息获取声纹信息的语谱图；

对语谱图基于卷积神经网络CNN声纹识别算法处理；

基于卷积神经网络训练模型输出声纹识别结果。

2.如权利要求1所述的应用于电力作业中的声纹识别的方法，其特征在于，所述去除所述声纹信息中的噪声和干扰信息包括：

对采集的声纹信息进行信号离散化处理；

基于一阶高频数字滤波器对离散化处理后的声纹信息进行信号放大处理；

对信号放大处理后的声纹信息进行信号分段处理。

3.如权利要求2所述的应用于电力作业中的声纹识别的方法，其特征在于，所述一阶高频数字滤波器的传递函数H为：

其中，H是传递函数，A定义为能量放大的系数，取值范围为0.9A1，z代表z变换因子，语音信号经过放大加强后为：

其中，是放大后的信号，s(n)和s(n-1)是放大前不同时间段的信号。

4.如权利要求3所述的应用于电力作业中的声纹识别的方法，其特征在于，所述对信号放大处理后的声纹信息进行信号分段处理包括：

对语音信号进行分段后的表达式如下：

s_w(n)＝s(n)w(n)；

其中：w(n)为所用窗函数。

5.如权利要求1所述的应用于电力作业中的声纹识别的方法，其特征在于，所述将去噪后的声纹信息进行非负矩阵分解NMF提取特征包括：

采用非负矩阵分解NMF提取特征，分解过程如下：

其中，Q为原始高维数据矩阵，W为构造第一元素的非负值矩阵、H为构造第二元素的非负值矩阵，为分解误差。

6.如权利要求1所述的应用于电力作业中的声纹识别的方法，其特征在于，所述基于NMF处理的声纹信息获取声纹信息的语谱图包括：

对NMF处理的声纹信息进行短时傅里叶变换STFT；

进行离散傅里叶变换DFT；

计算能量谱密度函数P。

7.如权利要求1至6任一项所述的应用于电力作业中的声纹识别的方法，其特征在于，所述对语谱图基于卷积神经网络CNN声纹识别算法处理包括：

将语谱图作为CNN的输入，经过卷积层处理；

随后进行卷积神经网络CNN的池化处理；

最后经过卷积神经网络CNN的全连接层处理。

8.一种应用于电力作业中的声纹识别的系统，其特征在于，所述系统包括：

采集模块，用于采集电力作业场景中不同人的声纹信息；

去噪模块，用于去除所述声纹信息中的噪声和干扰信息；

特征提取模块，用于将去噪后的声纹信息进行非负矩阵分解NMF提取特征；

语谱图模块，用于基于NMF处理的声纹信息获取声纹信息的语谱图；

CNN模块，用于对语谱图基于卷积神经网络CNN声纹识别算法处理；

结果输出模块，用于基于卷积神经网络训练模型输出声纹识别结果

9.如权利要求8所述的应用于电力作业中的声纹识别的系统，其特征在于，所述去噪模块对采集的声纹信息进行信号离散化处理；基于一阶高频数字滤波器对离散化处理后的声纹信息进行信号放大处理；对信号放大处理后的声纹信息进行信号分段处理。

10.如权利要求8所述的应用于电力作业中的声纹识别的系统，其特征在于，所述CNN模块将语谱图作为CNN的输入，经过卷积层处理；随后进行卷积神经网络CNN的池化处理；最后经过卷积神经网络CNN的全连接层处理。