说话人特征参数建模研究及其在信息安全中的应用

论文摘要

随着信息技术的迅猛发展,基于安全访问控制的个人身份鉴别越来越具有重要的现实意义。说话人识别作为生物认证技术的一种,以其独特的方便性、经济性和准确性等优势受到世人瞩目,并必将成为人们日常生活和工作中重要且普及的安全认证方式。然而,语音信号特征的建模技术以及机器自动辨识说话人身份的研究离实用还有一定的差距。因此,研究一种识别率高、鲁棒性强的说话人建模方法势在必行。本文通过分析众多说话人识别方法,重点研究了常用的特征参数提取技术、动态时间归整技术及隐马尔可夫模型的说话人建模技术,结合聚类分析和主成分分析等方法的优点提出了一种新的建模方法。该方法有效地降低了高维参数的相关性,提高了参数处理的速度;同时,通过加权处理使特征参数的边界划分更加准确。实验结果证明,新的方法更加接近人的固有特征,可以有效提高说话人识别系统的识别率,具有很好的实用价值。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 信息安全与身份认证技术
• 1.2 说话人识别研究历史和现状
• 1.3 说话人识别的应用
• 1.4 说话人识别原理
• 1.4.1 说话人识别的基本概念
• 1.4.2 说话人识别的难点
• 1.5 论文结构安排
• 第二章 语音信号的前端处理研究
• 2.1 语音信号的产生模型
• 2.2 语音信号的数字化
• 2.2.1 语音信号的采集
• 2.2.2 语音数据保存形式
• 2.2.3 语音信号的分帧加窗分析
• 2.3 语音信号的时域分析
• 2.3.1 短时能量和短时平均过零率
• 2.3.2 短时自关函数
• 2.3.3 短时平均幅度
• 2.3.4 端点检测分析
• 2.4 语音信号的频域分析
• 2.4.1 时变傅里叶变换
• 2.4.2 语音帧频谱分析
• 第三章 说话人识别技术分析
• 3.1 说话人识别的分类
• 3.2 说话人识别的常用方法
• 3.3 语音特征提取的分析与研究
• 3.3.1 基音周期的检测方法研究
• 3.3.2 基于 SIFT 方法的基音检测方法的改进
• 3.3.3 基音检测中帧长选择的分析
• 3.3.4 线性预测分析
• 3.3.5 Mel 倒谱系数
• 3.4 基于 DTW 的说话人识别方法研究
• 3.5 基于隐马尔可夫模型的说话人识别方法研究
• 3.5.1 HMM 的定义
• 3.5.2 HMM 的基本算法分析
• 3.6 本章小结
• 第四章 基于聚类分析和 PCA 的特征建模研究
• 4.1 基于聚类算法的特征处理
• 4.1.1 聚类分析的目的
• 4.1.2 k-means 算法研究
• 4.1.3 基于分类器设计的改进 k-means 算法
• 4.2 自适应权重分配
• 4.3 基于 PCA 的特征矢量降维
• 4.3.1 关于 PCA 的性能分析
• 4.3.2 PCA 的求解分析
• 4.3.3 主成分的性质
• 第五章 说话人识别实验与分析
• 5.1 仿真实验环境
• 5.1.1 软件及硬件环境
• 5.1.2 实验使用语音库
• 5.2 系统介绍
• 5.2.1 系统结构设计
• 5.2.2 系统模块描述
• 5.3 实验与分析
• 5.3.1 LPC 线形预测系数的阶数分析
• 5.3.2 基于 PCA 的数据降维
• 5.3.3 基于聚类分析和 PCA 的识别分析
• 5.3.4 基于新模型方法的 HMM 测试
• 第六章 总结和展望
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献
• 研究生在读期间的研究成果