基于gmm和svm的说话人识别方法研究

基于gmm和svm的说话人识别方法研究

ID:33535323

大小:5.68 MB

页数:74页

时间:2019-02-26

基于gmm和svm的说话人识别方法研究_第1页
基于gmm和svm的说话人识别方法研究_第2页
基于gmm和svm的说话人识别方法研究_第3页
基于gmm和svm的说话人识别方法研究_第4页
基于gmm和svm的说话人识别方法研究_第5页
资源描述:

《基于gmm和svm的说话人识别方法研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、中图分类号:UDC:学校代码:10055密级:公开高恐犬淫硕士学位论文基于GMM和SVM的说话人识别方法研究ResearchonSpeakerRecognitionbasedonGMMandSVM南开大学研究生院二。一三年五月南开大学学位论文使用授权书根据《南开大学关于研究生学位论文收藏和利用管理办法》,我校的博士、硕士学位获得者均须向南开大学提交本人的学位论文纸质本及相应电子版。本人完全了解南开大学有关研究生学位论文收藏和利用的管理规定。南开大学拥有在《著作权法》规定范围内的学位论文使用权,即:(1)学位获得者必须按规定提交学位论文(包括纸质印刷本及电子版),学校可以采用影印、

2、缩印或其他复制手段保存研究生学位论文,并编入《南开大学博硕士学位论文全文数据库》;(2)为教学和科研目的,学校可以将公开的学位论文作为资料在图书馆等场所提供校内师生阅读,在校园网上提供论文目录检索、文摘以及论文全文浏览、下载等免费信息服务;(3)根据教育部有关规定,南开大学向教育部指定单位提交公开的学位论文;(4)学位论文作者授权学校向中国科技信息研究所及其万方数据电子出版社和中国学术期刊(光盘)电子出版社提交规定范围的学位论文及其电子版并收入相应学位论文数据库,通过其相关网站对外进行信息服务。同时本人保留在其他媒体发表论文的权利。非公开学位论文,保密期限内不向外提交和提供服务,

3、解密后提交和服务同公开论文。论文电子版提交至校图书馆网站:http://202.113.20.161:8001/index.htm。本人承诺:本人的学位论文是在南开大学学习期间创作完成的作品,并已通过论文答辩;提交的学位论文电子版与纸质本论文的内容一致,如因不同造成不良后果由本人自负。本人同意遵守上述规定。本授权书签署一式两份,由研究生院和图书馆留存。作者暨授权人签字:歪垡垡2013年5月30日南开大学研究生学位论文作者信息论文题目基于GMM和SVM的说话人识别方法研究姓名乔华鹤学号2120100282答辩日期2013年5月28日论文类别博士口学历硕士■硕士专业学位口高校教师口同

4、等学力硕士口信息技术科学学院院/系/所专业信号与信息处理电子信息与通信系联系电话15522605652Emailqiaohuahe2006@163.corn通信地址(邮编):天津市南开区卫津路94号南开大学西区公寓1.2—505(300071)备注:是否批准为非公开论文否注:本授权书适用我校授予的所有博士、硕士的学位论文。由作者填写(一式两份)签字后交校图书馆,非公开学位论文须附《南开大学研究生申请非公开学位论文审批表》。南开大学学位论文原创性声明本人郑重声明:所呈交的学位论文,是本人在导师指导下进行研究工作所取得的研究成果。除文中已经注明引用的内容外,本学位论文的研究成果不包含

5、任何他人创作的、已公开发表或者没有公开发表的作品的内容。对本论文所涉及的研究工作做出贡献的其他个人和集体,均已在文中以明确方式标明。本学位论文原创性声明的法律责任由本人承担。学位论文作者签名:叠生鹤2013年5月30日非公开学位论文标注说明根据南开大学有关规定,非公开学位论文须经指导教师同意、作者本人申请和相关部门批准方能标注。未经批准的均为公开学位论文,公开学位论文本说明为空白。论文题目申请密级口限制(≤2年)口秘密(≤10年)口机密(≤20年)保密期限20年月同至20年月日审批表编号批准13期20年月日南开大学学位评定委员会办公室盖章(有效)注:限制★2年(可少于2年):秘密

6、★10年(可少于10年):机密★20年(可少于20年)摘要说话人识别技术是生物认证的一种,它是根据说话人语音波形中能反映说话人生理和行为个性特征的语音参数来自动鉴别说话人身份的过程,该技术以其显著的使用方便、经济和有效等优势在许多领域中有着广泛的应用前景。本文主要研究了噪声环境下文本无关的说话人识别的相关内容。为改善系统识别率和系统响应时间,本文在介绍说话人识别基本原理的基础上,重点围绕识别模型和语音去噪两方面进行研究。在识别模型方面,详细介绍了高斯混合模型(GMM)和支持向量机(SvM)模型的理论知识,并针对两者自身的优缺点,本文提出了两种GMM和SVM相结合的方法,实验证明这

7、两种混合模型都可以改善系统性能。针对噪声环境下,系统识别率急剧下降的问题,本文在原有小波阈值去噪的基础上提出了一种改进的阈值函数并采用了区分清浊音的小波去噪方法,实验证明这些改进可取得更好的去噪效果。具体研究工作如下:(1)GMM属于概率统计模型,有很强的数据描述能力和较弱的数据分类能力。SVM模型属于分类器模型,有很强的数据区分能力和较弱的数据描述能力。结合这些特点,本文提出了用GMM对大样本特征参数聚类得到能更好表征说话人个性特征的小样本的GMM模型参数作为SVM特征参数的模

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。