计算机应用
計算機應用
계산궤응용
Journal of Computer Applications
2015年
7期
2101-2104
,共4页
最大后验概率%最小二乘支持向量机%权重%平均向量%说话人识别
最大後驗概率%最小二乘支持嚮量機%權重%平均嚮量%說話人識彆
최대후험개솔%최소이승지지향량궤%권중%평균향량%설화인식별
Maximum A posteriori Probability (MAP)%Least Squares Support Vector Machine (LS-SVM)%weight%mean vector%speaker recognition
针对目前说话人识别系统的效率问题,采用集成算法的策略,提出一种新的说话人识别系统框架.首先,考虑到传统的最大后验概率矢量量化(VQ-MAP)算法中只关注平均矢量而不考虑权重的问题,提出了改进的VQ-MAP算法,使用加权平均向量来代替平均向量;然后,由于支持向量机(SVM)算法相对耗时,故采用最小二乘支持向量机(LS-SVM)替代SVM算法;最后,在说话人识别系统中,利用改进的VQ-MAP算法所得参数集作为LS-SVM的训练样本.实验结果表明,基于改进的VQ-MAP和LS-SVM的集成算法,与传统的SVM算法相比,在均使用径向基函数(RBF)核函数时,对40人样本数据建模时间上减少接近40％;在阈值为1,测试语音时长为4s时,与传统的VQ-MAP和SVM算法相比,误识率降低了1.1％,误拒率降低了2.9％,识别率提高了3.9％;在阈值为1,测试语音时长为4s时,与传统的VQ-MAP和LS-SVM算法相比,误识率降低了3.6％,误拒率降低了2.7％,识别率提高了4.4％.结果表明,集成算法能够有效提高算法识别率,明显减少运算时间,同时降低误识率和误拒率.
針對目前說話人識彆繫統的效率問題,採用集成算法的策略,提齣一種新的說話人識彆繫統框架.首先,攷慮到傳統的最大後驗概率矢量量化(VQ-MAP)算法中隻關註平均矢量而不攷慮權重的問題,提齣瞭改進的VQ-MAP算法,使用加權平均嚮量來代替平均嚮量;然後,由于支持嚮量機(SVM)算法相對耗時,故採用最小二乘支持嚮量機(LS-SVM)替代SVM算法;最後,在說話人識彆繫統中,利用改進的VQ-MAP算法所得參數集作為LS-SVM的訓練樣本.實驗結果錶明,基于改進的VQ-MAP和LS-SVM的集成算法,與傳統的SVM算法相比,在均使用徑嚮基函數(RBF)覈函數時,對40人樣本數據建模時間上減少接近40％;在閾值為1,測試語音時長為4s時,與傳統的VQ-MAP和SVM算法相比,誤識率降低瞭1.1％,誤拒率降低瞭2.9％,識彆率提高瞭3.9％;在閾值為1,測試語音時長為4s時,與傳統的VQ-MAP和LS-SVM算法相比,誤識率降低瞭3.6％,誤拒率降低瞭2.7％,識彆率提高瞭4.4％.結果錶明,集成算法能夠有效提高算法識彆率,明顯減少運算時間,同時降低誤識率和誤拒率.
침대목전설화인식별계통적효솔문제,채용집성산법적책략,제출일충신적설화인식별계통광가.수선,고필도전통적최대후험개솔시량양화(VQ-MAP)산법중지관주평균시량이불고필권중적문제,제출료개진적VQ-MAP산법,사용가권평균향량래대체평균향량;연후,유우지지향량궤(SVM)산법상대모시,고채용최소이승지지향량궤(LS-SVM)체대SVM산법;최후,재설화인식별계통중,이용개진적VQ-MAP산법소득삼수집작위LS-SVM적훈련양본.실험결과표명,기우개진적VQ-MAP화LS-SVM적집성산법,여전통적SVM산법상비,재균사용경향기함수(RBF)핵함수시,대40인양본수거건모시간상감소접근40％;재역치위1,측시어음시장위4s시,여전통적VQ-MAP화SVM산법상비,오식솔강저료1.1％,오거솔강저료2.9％,식별솔제고료3.9％;재역치위1,측시어음시장위4s시,여전통적VQ-MAP화LS-SVM산법상비,오식솔강저료3.6％,오거솔강저료2.7％,식별솔제고료4.4％.결과표명,집성산법능구유효제고산법식별솔,명현감소운산시간,동시강저오식솔화오거솔.
