說(shuō)話人識(shí)別中基于Fisher比的特征組合方法

　　為了提高說(shuō)話人識(shí)別的準(zhǔn)確率，可以同時(shí)采用多個(gè)特征參數(shù)，針對(duì)綜合特征參數(shù)中各維分量對(duì)識(shí)別結(jié)果的影響可能不一樣，同等對(duì)待并不一定是最優(yōu)的方案這個(gè)問(wèn)題，提出基于Fisher準(zhǔn)則的梅爾頻率倒譜系數(shù)（MFCC）、線性預(yù)測(cè)梅爾倒譜系數(shù)（ LPMFCC）、Teager能量算子倒譜參數(shù)（TEOCC）相混合的特征參數(shù)提取方法。首先，提取語(yǔ)音信號(hào)的MFCC、LPMFCC和TEOCC三種參數(shù)；然后，計(jì)算MFCC和LPMFCC參數(shù)中各維分量的Fisher比，分別選出六個(gè)Fisher比高的分量與TEOCC參數(shù)組合成混合特征參數(shù)；最后，采用TIMIT語(yǔ)音庫(kù)和NOISEX-92噪聲庫(kù)進(jìn)行說(shuō)話人識(shí)別實(shí)驗(yàn)。仿真實(shí)驗(yàn)表明，所提方法與MFCC、LPMFCC、MFCC+ LPMFCC、基于Fisher比的梅爾倒譜系數(shù)混合特征提取方法以及基于主成分分析（PCA）的特征抽取方法相比，在采用高斯混合模型（GMM）和BP神經(jīng)網(wǎng)絡(luò)的平均識(shí)別率在純凈語(yǔ)音環(huán)境下分別提高了21. 65個(gè)百分點(diǎn)、18. 39個(gè)百分點(diǎn)、15. 61個(gè)百分點(diǎn)、15. 01個(gè)百分點(diǎn)與22. 70個(gè)百分點(diǎn)；在30 dB噪聲環(huán)境下，則分別提升了15.15個(gè)百分點(diǎn)、10. 81個(gè)百分點(diǎn)、8.69個(gè)百分點(diǎn)、7.64個(gè)百分點(diǎn)與17. 76個(gè)百分點(diǎn)。實(shí)驗(yàn)結(jié)果表明，該混合特征參數(shù)能夠有效提高說(shuō)話人識(shí)別率，且具有更好的魯棒性。