检索结果-南通市图书馆

基于多分支聚合网络的短语音说话人确认方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多分支聚合网络的短语音说话人确认方法研究

作者：杨宇奇哈尔滨工业大学

学位级别：硕士

说话人确认（Speaker Verification）是一项判断某段语音是否来自于给定说话人的技术。随着互联网的迅速发展和移动设备的广泛普及,采集一个人的语音数据已经变得越来越容易,这极大的方便和促进了说话人确认技术的研究。经过数十年的发... 详细信息

说话人确认（Speaker Verification）是一项判断某段语音是否来自于给定说话人的技术。随着互联网的迅速发展和移动设备的广泛普及,采集一个人的语音数据已经变得越来越容易,这极大的方便和促进了说话人确认技术的研究。经过数十年的发展,虽然该技术已经获得了长足的进步,但是短语音条件下的说话人确认因为数据短、说话人身份信息很少,导致难以提取出足够充分的说话人区分性信息,进而影响着模型的打分与判别和系统整体的识别效果。因此短语音说话人确认仍然是一项具有挑战性的任务。针对短语音说话人确认问题,本文的研究内容主要包括以下几个方面:（1）提出了一个基于多分支聚合（Multi-Branch Aggregation,MBA）网络的说话人嵌入特征提取方法。鉴于单通道系统难以提取充分的说话人身份信息,以时延神经网络（Time-Delay Neural Network,TDNN）为基础,增加提高了节点数和时延值的Large＿TDNN（L＿TDNN）网络以及降低了节点数和时延值的Small＿TDNN（S＿TDNN）网络构成多分支结构,提取多个通道的特征,然后通过池化层后使用特征拼接对多分支结果进行聚合。实验结果表明,该方法在测试语音上取得了比基线系统更好的性能。（2）提出了一个基于多分支多尺度聚合（Multi-Branch and Multi-Scale Aggregation,MBMSA）网络的说话人嵌入特征提取方法。鉴于在每个单独的通道中特征从网络低层传输到高层过程中存在信息丢失的问题,需要把传输过程中丢失的信息重新找回来,在每次特征传输时可以把低层网络的信息尽可能保留下来,因此在多分支网络中采用可以实现上述需求的多尺度聚合方法,以进一步提高算法性能。该方法的实现需要体现出不同网络层之间尺度的多样化,所以使用基于卷积神经网络（Convolutional Neural Networks,CNN）的残差网络（Residual Networks,ResNet）构建多分支多尺度聚合网络。实验结果表明,提出的多分支多尺度聚合网络在短语音说话人确认问题上能够取得较好的效果。

关键词：说话人确认短语音时延神经网络多分支聚合多分支多尺度聚合

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向自然环境下声纹识别的端到端说话人嵌入

面向自然环境下声纹识别的端到端说话人嵌入

作者：余亚奇南京大学

学位级别：硕士

作为声纹识别的核心技术,说话人嵌入是指从语音中提取代表说话人身份的矢量。近几年,说话人嵌入的研究重点已经从基于统计学习的方法转向了基于深度学习的端到端方法。与此同时,由于自然环境下的语音成分复杂、存在噪音干扰且场景多变,... 详细信息

作为声纹识别的核心技术,说话人嵌入是指从语音中提取代表说话人身份的矢量。近几年,说话人嵌入的研究重点已经从基于统计学习的方法转向了基于深度学习的端到端方法。与此同时,由于自然环境下的语音成分复杂、存在噪音干扰且场景多变,提升自然环境下的声纹识别精度仍然是一个很大的挑战。本文从网络结构和损失函数的角度分析了近期端到端说话人嵌入的相关工作。针对自然环境下的声纹识别,本文依次改进了端到端说话人嵌入的主干网络、降噪机制和损失函数。一、自然环境下的语音成分复杂。以往的说话人嵌入模型往往存在计算代价过高或者拟合能力不足的问题。本文提出基于密集时延神经网络（D-TDNN）的端到端说话人嵌入主干网络。D-TDNN模型利用时延神经网络高效地处理语音数据,并且利用金字塔结构、瓶颈层和恒等映射在降低参数量的同时提高对自然环境的适应能力。实验表明,D-TDNN模型相比已有的端到端说话人嵌入模型,可以在参数量更少的情况下提高自然环境下声纹识别的精度。二、自然环境下的语音存在噪音干扰。以往针对噪音稳健的声纹识别方法主要依赖语音增强模型或者降噪后端进行处理,前者计算代价高,后者可用信息少。针对使用端到端说话人嵌入的声纹识别,本文提出基于情境感知掩蔽（CAM）的噪音抑制机制。CAM以全局情境作为指导信息,通过特征图掩蔽机制抑制噪音。同时,CAM通过和端到端说话人嵌入模型共享主干网络最大限度地避免了冗余计算。实验表明,CAM可以在增加少量参数的基础上赋予端到端说话人嵌入模型抑制噪音的能力,从而提高自然环境下声纹识别的精度。三、自然环境下的语音场景多变。以往基于Softmax损失优化的端到端说话人嵌入模型容易出现区分性不足的问题。本文引入大间隔余弦损失（LMCL）优化D-TDNN模型,并深入分析LMCL的工作机制。LMCL通过余弦相似度度量提高了稳健性和梯度下降的效率,并通过引入间隔实现了对特定难度样本的挖掘。实验表明,相比Softmax损失,基于LMCL优化的D-TDNN模型区分性更好,可以提高自然环境下声纹识别的精度。

关键词：声纹识别说话人嵌入时延神经网络掩蔽大间隔余弦损失

基于CNN-TDNN和迁移学习的噪声鲁棒性语音识别

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于CNN-TDNN和迁移学习的噪声鲁棒性语音识别

作者：王敦泽广州大学

学位级别：硕士

近些年由于引入了基于深度神经网络(Deep Neural Network,DNN)的声学模型,语音识别系统在安静环境下取得令人满意的识别效果,然而这些系统在信噪比相对较低的环境中(如吵闹的街道,商场)仍然表现得相对较差,并且噪声鲁棒性仍然是阻止语... 详细信息

近些年由于引入了基于深度神经网络(Deep Neural Network,DNN)的声学模型,语音识别系统在安静环境下取得令人满意的识别效果,然而这些系统在信噪比相对较低的环境中(如吵闹的街道,商场)仍然表现得相对较差,并且噪声鲁棒性仍然是阻止语音识别系统大规模应用的关键问题。基于此,论文对已有的噪声鲁棒性语音识别方法进行分析和总结,并且主要针对后端声学建模部分展开研究,论文所做的创新与具体工作总结如下:首先,论文采用DNN语音增强技术作为噪声鲁棒性语音识别系统的前端,通过构造大量且包含多种信噪比的带噪语音与干净语音一起送入模型中,对模型进行受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)的无监督预训练和反向错误传播算法的有监督微调,最后解码,对语音波形进行重构获得完整的可听的语音波形文件。其次,论文首次将卷积神经网络(Convolutional Neural Network,CNN)与时延神经网络(Time Delay Neural Network,TDNN)进行结合构造声学模型用于噪声鲁棒性语音识别,具体如下:首先通过对时延神经网络(TDNN)隐藏层中参数矩阵进行半正交低秩矩阵分解(Semi-Orthogonal Low-Rank Matrix Factorization),然后与卷积神经网络(CNN)结合并在其隐藏层之后添加时间限制自注意层(Time-Restricted Self-Attention Layer)而得到优化的CNN-TDNN模型,将该模型作为系统的后端。最后,论文提出了将DNN语音增强联合迁移学习训练噪声鲁棒性语音识别声学模型的方法,通过在训练噪声鲁棒性语音识别声学模型过程中,将其中一组模型在增强的数据集中训练(作为学生模型),另一组在干净的数据集中训练(作为老师模型),然后利用迁移学习(Transfer Learning)的知识让学生模型学习老师模型的后验概率分布,以最大化两者之间的互信息。从而最终提高噪声鲁棒性语音识别系统的识别率和鲁棒性。实验结果表明,优化的CNN-TDNN模型相比深度神经网络(DNN)、卷积神经网络(CNN)、时延神经网络(TDNN)和CNN-TDNN模型具有更好的性能,该模型的平均识别词错率(WER)相比基线下降了11.76%。在该实验基础上,将该模型经过基于权重迁移的迁移学习所训练得到的模型具有更好的鲁棒性,实验测试的平均识别词错率(WER)又下降了0.37%。

关键词：噪声鲁棒性语音识别语音增强时延神经网络卷积神经网络迁移学习

基于迁移学习的喀尔喀蒙古语语音识别声学建模

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于迁移学习的喀尔喀蒙古语语音识别声学建模

作者：史霖炎内蒙古大学

学位级别：硕士

面向低资源语言的语音识别系统性能较差,其主要原因是缺少足够的训练数据。迁移学习通过学习资源丰富的源领域知识来指导资源稀缺的目标领域的模型训练,在一定程度上解决了数据稀疏带来的问题。本文主要研究面向资源稀缺的喀尔喀方言蒙... 详细信息

面向低资源语言的语音识别系统性能较差,其主要原因是缺少足够的训练数据。迁移学习通过学习资源丰富的源领域知识来指导资源稀缺的目标领域的模型训练,在一定程度上解决了数据稀疏带来的问题。本文主要研究面向资源稀缺的喀尔喀方言蒙古语语音识别系统,并通过深度学习和迁移学习技术提高声学模型的性能。首先,鉴于喀尔喀方言和察哈尔方言的相似性,本文提出了基于时延神经网络(Time Delay Neural Network,TDNN)的喀尔喀方言蒙古语语音识别基线系统,该基线系统直接使用训练好的察哈尔方言蒙古语声学模型来识别喀尔喀方言。另外,本文利用已有喀尔喀方言数据训练了基于随机初始化的TDNN声学模型,并探究了基于区分性训练准则的链式模型训练方法在声学模型训练中的表现。实验结果表明,基于随机初始化的喀尔喀方言TDNN声学模型明显优于基线系统,并且链式模型训练方法可以进一步提升声学模型的性能。其次,本文首次将迁移学习中的微调(fine-tuning)方法应用到喀尔喀方言蒙古语语音识别系统中,分别以英语和察哈尔方言作为源领域,使用训练好的声学模型对喀尔喀方言声学模型进行参数初始化。实验结果表明,相比基线系统和随机初始化模型,基于fine-tuning的声学模型的性能有明显的提升,其中以察哈尔方言作为源领域训练得到的声学模型性能更优。最后,本文采用权重迁移方法搭建了喀尔喀方言蒙古语语音识别系统。通过实验验证了不同训练策略的有效性,分析TDNN不同隐藏层的可迁移性,比较预训练模型性能对迁移效果的影响。实验结果表明,基于权重迁移方法的喀尔喀方言蒙古语声学模型与微调(fine-tuning)方法相比具有更强的泛化能力。本文以察哈尔方言为源领域、基于权重迁移方法的链式TDNN声学模型作为最优的喀尔喀方言蒙古语声学模型,词错误率为15.67%。相比基线系统和随机初始化模型,词错误率分别降低了63%和38%。

关键词：语音识别喀尔喀蒙古语方言微调方法权重迁移时延神经网络链式模型

面向重放攻击检测的网络嵌入特征提取方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向重放攻击检测的网络嵌入特征提取方法研究

作者：高翔哈尔滨工业大学

学位级别：硕士

自动说话人验证（Automatic Speaker Verification,ASV）旨在验证说话人所声称的身份是否真实,是目前广泛应用的生物识别技术之一,与指纹、人脸等生物识别技术相比,具有非接触、无需光照等优点。然而,随着应用系统对说话人验证技术依赖... 详细信息

自动说话人验证（Automatic Speaker Verification,ASV）旨在验证说话人所声称的身份是否真实,是目前广泛应用的生物识别技术之一,与指纹、人脸等生物识别技术相比,具有非接触、无需光照等优点。然而,随着应用系统对说话人验证技术依赖程度和信任度的提高,如何防范可能面临的各种攻击,是ASV应用系统必须解决的一个重要而困难的问题。重放攻击是指通过重放窃取/录制的目标说话人语音来冒充目标说话人,是一种常见的说话人验证系统攻击手段。而传统的ASV技术很难辨别这种攻击。因此,需要研究专门的技术手段来检测这种攻击。本文针对说话人重放攻击检测问题,着重研究有效的特征提取方法,以期达到有效检测重放攻击的目标。论文主要工作内容如下:1)提出了一种基于时延神经网络（Time Delay Neural Network,TDNN）的嵌入特征提取方法。采用TDNN网络提取嵌入特征,使用聚焦损失函数解决训练数据中数据失衡问题,并用softmax进行最终的攻击检测分类。与传统的基于逆梅尔倒谱系数（Inverted Mel Frequency Cepstral Coefficient,IMFCC）特征的高斯混合模型（Gaussian Mixture Model,GMM）方法相比,该方法在评估集的最小串联检测函数（Minimum Tandem Detection Cost Function,min-t DCF）与等错误率（Equal Error Rate,EER）两项指标分别提高了10.28%和15.87%,取得了较好的效果。2)提出了一种融合多种段级别嵌入特征,从而提高重放攻击检测性能的方法。首先,提取反映环境与设备信息的嵌入特征,并将其与TDNN嵌入特征融合,然后,通过融合多个段级别的嵌入特征来提升检测性能。实验结果表明,融合特征比单一特征的min-t DCF与EER指标分别有13.95%和11.38%的相对提升。3)提出了一种基于对抗训练的说话人无关嵌入特征的提取方法。为尽量减少所提取特征中包含的说话人信息,从而减少说话人信息对重放攻击检测的干扰,采用对抗训练机制,使提取到的嵌入特征尽可能不包含说话人信息。实验结果表明,该方法的检测性能超过前述两种方法,能更有效地检测说话人重放攻击。

关键词：重放攻击检测嵌入特征时延神经网络对抗训练说话人无关

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于核方法的高分辨雷达目标识别算法研究

基于核方法的高分辨雷达目标识别算法研究

作者：于新国防科学技术大学

学位级别：硕士

雷达目标识别技术已经发展成为雷达领域的一个重要分支,由于应用环境复杂多变、运算速度要求苛刻、非合作目标样本获取困难、数据利用率低等问题,雷达目标识别面临着严峻的挑战。由于雷达高分辨一维距离像能够反映目标的径向几何结构信... 详细信息

雷达目标识别技术已经发展成为雷达领域的一个重要分支,由于应用环境复杂多变、运算速度要求苛刻、非合作目标样本获取困难、数据利用率低等问题,雷达目标识别面临着严峻的挑战。由于雷达高分辨一维距离像能够反映目标的径向几何结构信息,具有易于处理和获取的独特优势,基于高分辨一维距离像的雷达目标识别研究得到了广泛的开展。为提高识别算法的稳定性和识别性能,本文从分类器算法和参数选择等方面展开研究,重点解决高维、大样本容量条件下的学习识别、序列信息挖掘利用和分类器参数选择等问题。绪论部分介绍了论文研究背景和相关技术的发展概况以及本文的主要工作。第二章分析了核感知器和时延神经网络的特点,构造了一种核感知器组合分类器,并提出了一种时延神经网络快速算法。第三章针对雷达目标识别中高维、大样本容量的学习、序列信息的挖掘以及算法参数选择,构造了一种基于核方法和延时单元的的核时延感知器网络结构,提出了核时延感知器学习算法,该算法不仅能够处理高维大样本容量学习问题,而且可以在几乎不增加运算量的基础上挖掘并利用数据的序列信息。针对核时延感知器的核参数选择问题,提出了一种基于样本分布特性的高斯核参数选择方法,参数的优化速度得到了较大的提高。分析了不同条件下核时延感知器参数对算法的识别率、推广能力和复杂度的影响,仿真实验表明,该算法在识别率和抗噪声能力上都有出色的表现。第四章主要研究缺少某类训练样本条件下的目标识别和多分类器决策融合问题。首先针对SVDD多类识别算法拒判域较大的问题,提出了两种拒判域的划分方式,并构造了两种相应的SVDD多类目标识别分类器,分析了各自的应用特点。为提高雷达目标识别分类性能,构造了一种多算法决策融合分类器。仿真实验表明该融合分类器在识别率和抗噪声能力上都要优于单个分类器。

关键词：高分辨雷达目标识别支持矢量机支持矢量数据描述核感知器时延神经网络核时延感知器参数选择

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度神经网络的中文语音识别技术研究

基于深度神经网络的中文语音识别技术研究

作者：黄佳宝华中科技大学

学位级别：硕士

随着计算机技术的发展,人机交互从单纯的文本指令式交互逐渐转为语音、图像等多元交互方式。语音交互的基础是语音识别,而语音识别的本质是将语音信号转换为自然语言文本。传统的语音识别系统包括语音预处理、语言模型、音素词典、声学... 详细信息

随着计算机技术的发展,人机交互从单纯的文本指令式交互逐渐转为语音、图像等多元交互方式。语音交互的基础是语音识别,而语音识别的本质是将语音信号转换为自然语言文本。传统的语音识别系统包括语音预处理、语言模型、音素词典、声学模型和解码器等基础单元,本文针对现有声学模型的语音特性学习能力不足问题,根据语音信号的特性和神经网络学习能力提出声学网络模型新方案,并对构建的模型结构进行优化,进而提高中文语音识别系统的性能和效率。本文提出了时延神经网络(Time Delay Neural Network,TDNN)声学模型、TDNN-LSTM声学模型和频谱增强声学模型。时延神经网络声学模型是针对语音信号的上下文相关特性构建的神经网络结构;TDNN-LSTM声学模型是在时延神经网络结构的基础上引入长短期记忆网络结构(Long Short-Term Memory,LSTM)构建的神经网络,该模型对语音信号的上下文相关和长时序相关特性都具有较好的学习能力;频谱增强声学模型使用动态频谱增强方法对TDNN-LSTM声学模型的输入特征进行频谱增强优化。本文使用上述三种声学模型、N-gram语言模型和解码器等基本单元构建了中文语音识别系统,并在中文语料库AISHELL上对该系统进行测试验证。测试结果表明时延神经网络语音识别系统的词错误率为7.51%,相比于传统的GMMHMM语音识别系统词错误率下降了7.58%;TDNN-LSTM语音识别系统的词错误率与时延神经网络系统基本一致,但在保证收敛的前提下训练时间减少了16.76%,;频谱增强语音识别系统则在TDNN-LSTM系统的词错误率上进一步下降了1.42%。基于上述研究结果,本文设计并实现了浏览器/服务器(B/S)模式的中文语音在线识别系统,进一步检验了所提出的语音识别模型的实用性。

关键词：语音识别系统声学模型时延神经网络长短期记忆网络频谱增强

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

新神经网络结构及其在数码语音识别中的应用

清华大学学报（自然科学版） 2000年第3期40卷 104-108页

作者：钟林刘润生清华大学电子工程系北京100084

为了提高人工神经网络处理动态信号能力 ,在时延神经网络 ( TDNN )和卷积神经网络 ( CNN)的基础上 ,针对孤立音节的特点 ,提出了一个新的网络结构 ,研究了其学习算法。新网络在进一步改进后用于汉语孤立数码语音识别 ,对特定人和非特定... 详细信息

为了提高人工神经网络处理动态信号能力 ,在时延神经网络 ( TDNN )和卷积神经网络 ( CNN)的基础上 ,针对孤立音节的特点 ,提出了一个新的网络结构 ,研究了其学习算法。新网络在进一步改进后用于汉语孤立数码语音识别 ,对特定人和非特定人任务 ,分别达到了 97.7%和 95 .6%的正确识别率 (无拒识 ) ,其性能远远高于多层前向感知机( ML P)和时延神经网络 ,与传统的隐马尔科夫模型 ( HMM)方法是可以相比的。

关键词：时延神经网络卷积神经网络数码语音识别

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于PSO-TDNN的空间目标识别

雷达科学与技术 2010年第5期8卷 406-411页

作者：寇鹏牛威国防科技大学电子科学与工程学院空间所湖南长沙410073 西安卫星测控中心宇航动力学国家重点实验室陕西西安710043

针对空间目标的RCS特征识别的问题,提出了基于粒子群算法(PSO)训练的时延神经网络(TDNN)识别方法。首先研究了时延神经网络的结构模型和梯度下降训练法,由于梯度下降训练法存在收敛速度缓慢、容易陷入局部极小值等缺点,提出了基于粒子... 详细信息

针对空间目标的RCS特征识别的问题,提出了基于粒子群算法(PSO)训练的时延神经网络(TDNN)识别方法。首先研究了时延神经网络的结构模型和梯度下降训练法,由于梯度下降训练法存在收敛速度缓慢、容易陷入局部极小值等缺点,提出了基于粒子群算法的训练方法,将时延神经网络的训练过程转化为群体随机优化问题。最后,提取两类空间目标的RCS实测数据小波特征,利用各类神经网络进行识别比较发现:基于粒子群算法的时延神经网络(PSO-TDNN)具有分类能力强,收敛速度快等优点。

关键词：空间目标识别时延神经网络粒子群算法 RCS小波特征