[发明专利]应用于基于矢量量化的说话人识别的三粒子协同优化方法

说明书

技术领域

本发明涉及语音识别技术领域，更具体地说，涉及一种应用于基于矢量量 化的说话人识别的三粒子协同优化方法。

背景技术

说话人识别是现有通信网络信息技术应用所迫切需求的生物识别技术，可 广泛应用于金融领域、军事领域(如战场环境监听及指挥员鉴别)、医学领域 (如对假肢的控制)、公安司法领域(如罪犯监听与识别)、安全保卫领域(如 机场门禁系统控制)、信息服务领域(如自动信息检索或电子商务)等方面。

说话人模型是实现高性能说话人识别的核心，自20世纪80年代后期，由 于矢量量化、概率统计模型、人工神经网络的说话人模型建立，说话人识别进 入了一个崭新的、欣欣向荣的大发展时期。模型训练即优化作为典型的最优化 问题，对传统的最优化技术提出了严峻的挑战。过去研究者考虑说话人模型的 最优化问题时把重点放在了对确定性优化方法的研究运用上，如LBG算法和 最大期望算法，然而确定性优化方法对求解具有多峰值特点的说话人模型有着 严重的缺陷，难以获得较精确的全局最优解。要想有所突破，必须依赖于新的 算法的研究与应用。训练数据一直是影响说话人识别系统性能的重要因素，要 对每个目标说话人建立一套模型，这必然要求尽量多的目标说话人的训练数 据。而实际应用系统中，由于说话人识别大多数应用是在目标说话人不愿意主 动配合的情况下完成对目标说话人的验证工作，因此目标说话人的大量语音往 往是无法获得的，对于训练和识别语音时间低于10秒的短语音实际应用背景， 系统识别性能会严重恶化，如何建立最优的短语音说话人模型是当前仍未解决 的难点问题。

一、基于矢量量化的说话人识别方法

说话人识别系统的实用化发展，使短语音说话人识别成为一个关键问题。 对于较少的训练语音，概率统计模型无法得到较准确的模型估计参数，矢量量 化(Vector Quantization，VQ)的方法可以取得较好的识别效果。矢量量化是非参 数(模板)模型，它是基于这样的假设，每个说话人的语音数据的特征矢量都 有一定的分布，这种分布就是该说话人与别人区分开来的信息。矢量量化方法 是试图描述这一分布，根据每个说话人训练数据基于失真最小化原则为其建立 码本模型(Code-Book Model，CBM)。识别时，从待识别的语音中提取一组 特征矢量，对每个码本模型进行矢量量化，求取平均量化误差，对应于最小平 均量化误差的码本的说话人便是识别的结果。这种方法具有较小的存储要求和 计算开销。基于矢量量化的说话人识别系统框图如图1所示。

在基于矢量量化的说话人识别方法中，码本设计是关键问题。码本设计的 主要目标是找到训练矢量的一个最佳分类，即将说话人的T个L维的训练矢 量分成M个类别的最佳方案。好的码本能最大程度地提高矢量量化的效果， 更准确地描述原始训练样本数据的分布。码本一般是有限空间的一个子空间， 根据先验知识和某种失真测度，对大量的训练数据进行聚类而得到的。码本设 计也是一个迭代的过程，可以视为一个多峰多极值问题，如同函数优化，其最 优码本的搜索也需要优化算法的策略。因此，人们不断从新提出的优化算法中 寻求新的码本设计优化策略，例如以下的粒子群优化算法、混合蛙跳算法以及 LBG算法。

二、粒子群优化算法和混合蛙跳算法

粒子群优化算法(Particle Swarm Optimization，PSO)是源于自然中社会性 生物世界的仿生类算法，基于人工生命理论以及鸟类、鱼类的群集现象，凭借 其简单的算法结构和优异的问题求解能力，吸引了众多研究者，并取得了令人 注目的成果。粒子群优化算法将群体中的每个个体视为多维搜索空间中一个没 有质量和体积的粒子(点)，每个粒子都为优化问题的一个可行解，并由目标 函数为之确定一个适应值(Fitness Value)。这些粒子在解空间中以一定的速度 飞行，并根据粒子本身的飞行经验以及同伴的飞行经验对自己的飞行速度进行 动态调整，即每个粒子通过迭代过程中自身的最优值p_i和群体的最优值p_g来不 断地修正自己的前进方向和速度大小，逐步移到较优的区域，并最终搜索、寻 找到问题的最优解。