基于PLAR特征补偿的鲁棒性说话人识别仿真研究

• 作者: 唐振民 张燕 李燕萍 钱博
• 来源期刊: 系统仿真学报
• 学科: 工学
• 关键词: 说话人识别 感知线性预测 高斯混合模型 鲁棒性
• 年，卷（期）: 2009,（2）
• 所属期刊栏目: 人工智能与仿真
• 页码范围: 409-412
• 页数: 4页
• 分类号: TN912.34
• 语种: 中文

摘要

针对MFCC特征补偿技术在低信噪比时性能不高的缺点,提出了基于PLAR鲁棒特征的模型补偿方法进行抗噪声说话人识别.PLAR特征从人类听觉感知机理出发,运用听觉心理学概念表征说话人个性特征,具有雏数低,运舅速度快,抗噪性能强等特点,是一种稳健的特征.模型补偿则通过分析被测语音帧的整体分布,对高斯混合模型似然概率进行某种程度的补偿,降低噪声的影响,改善系统的性能,进一步增强系统的鲁棒性.理论分析和实验结果表明,在平稳和非平稳背景噪声环境下,当信噪比大大降低时,此方法比MFCC-GMM方法的识别率平均提高了12.2和14.9个百分点.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	唐振民	南京理工大学模式识别与智能系统实验室	191	2436	26.0	40.0
2	张燕	南京理工大学模式识别与智能系统实验室	28	125	7.0	10.0
3	钱博	南京理工大学模式识别与智能系统实验室	25	186	9.0	12.0
4	李燕萍	南京理工大学模式识别与智能系统实验室	17	103	6.0	9.0