[发明专利]基于模糊聚类决策树的分布式大型人口语者识别方法

说明书

技术领域

本发明涉及一种基于模糊聚类的决策树分类方法，主要用于解决大型人口语者识别问题，属于生物识别和数据挖掘的交叉技术应用领域。

背景技术

语者身份识别是一个有许多应用的生物识别系统的例子。在语者身份识别中，给出一个输入语音，任务是通过从注册在系统中的整体语者选择一个来决定未知语者的身份。语者识别的主要技术是基于梅尔频率倒谱系数和高斯混合模型的。一些以梅尔频率倒谱系数为基础的重要方法包括通用背景模型方法已被提出。另一种新兴变得很受欢迎的技术是i矢量方法。i矢量的方法已经广泛用于语者确认。但是，它没有直接被应用到语者识别。i矢量方法通常需要大量的表现良好的数据，并且当把i矢量应用于语者识别特别是大型人口的案例时，计算复杂度可能会很高。

数据挖掘是大量的数据中搜寻具有潜在价值的新信息的过程，是一种决策支持的过程，它主要基于机器学习、模式识别、统计学、数据库等，分析大量的数据，从其中找出潜在的模式帮助决策者做出正确的决定。数据挖掘主要有分类、估计、预测、聚类等分析方法。数据挖掘已经由计算机科学和统计学的一个主题发展为独立领域，广泛应用于电信、制造、医疗、保险等行业。

分类算法是解决分类问题的方法，是数据挖掘和机器学习中的一个研究领域。分类算法对已知类别的数据集进行分析，从而发现其中的分类规则，然后以此分类规则预测新的数据集中数据的类别。分类的应用很广泛，主要有性能预测、医疗诊断、欺诈检测等。

决策树主要描述的是划分数据为不同的组的规则，第一条规则先将数据集划分为不同大小的子集，然后将另外的规则应用在子数据集中，不同的数据集对应不同的划分规则，一个子集或者被继续划分或者单独作为一个分组成为一个叶子节点。本质上，决策树是用一系列规则对数据分类的过程。

模糊聚类是涉及事物之间的模糊界限时对事物按照一定标准分类的数学方法。聚类分析是数理统计中的一种多元分析方法，它是用数学方法定量地确定样本的亲疏关系，从而客观地划分类型。事物之间的界限，有些是确切的，有些则是模糊的。例人群中的面貌相像程度之间的界限是模糊的，天气阴、晴之间的界限也是模糊的。当聚类涉及事物之间的 模糊界限时，需运用模糊聚类分析方法。模糊聚类分析广泛应用在气象预报、地质、农业、林业等方面。

发明内容

技术问题：本发明的目的是提供一种基于模糊聚类决策树分类的分布式大型人口语者识别的方法，该方法在决策树建立的过程中使用了模糊聚类和分布式，以解决识别系统中数据高效分类，提高语者数量较大时分类精确性，降低计算复杂性的问题。

技术方案：本发明所述的基于模糊聚类决策树的分布式大型人口语者识别的方法，先将人口数据等分成几个部分，再分别使用一棵决策树分层地将整个人口数据分成组，然后决定一个测试下的语者属于哪个叶节点上的语者组，再在选定的语者组上应用梅尔频率倒谱系数和高斯混合模型方法来识别该语者身份。

基于模糊聚类的大型人口语者识别的决策树分类方法包括以下步骤：

步骤1)将语音样本数据等分成三个部分；分别将等分后的语音样本数据作为一棵决策树的根节点C₁进行建树；每一个语音样本都来自不同的语者，C_{n1,n2,...,nL,nL+1}表示L层的第n_L+1个节点；同时对三个语音样本数据执行同样的操作进行分类建树和语音识别；对根节点进行分组，得到的子节点执行相同的步骤继续进行分组直到建成决策树。

步骤2)判断当前节点中的样本数量是否大于预设值，若不大于则该节点为叶节点，已经不需要再进行分组。

步骤3)对节点上的样本进行特征提取，每一层只提取一种特征，依次提取音调，语音信号正脉冲的均值，语音信号正脉冲的偏斜，语音信号负脉冲的均值，语音信号负脉冲的偏斜和语音信号正脉冲的宽度，具体步骤如下：

步骤3.1)音调特征提取，具体步骤如下：

步骤3.1.1)将连续的语音输入到音调提取模块；

步骤3.1.2)音调提取模块使用YIN算法将语音分解成N_F帧，一帧的长度是25ms，帧移位长度是10ms；所述的YIN算法是一种基于自相关方法的检测语音和音乐的基本频率的算法；

步骤3.1.3)获得第i帧(i＝0,1,2,...,N_F)的音调值P_i和有声概率P_ri；

步骤3.1.4)去掉50Hz到550Hz范围之外的音调值，同时去掉从有声概率低于0.8的帧中提取的音调值；最后得到可靠的音调值的集合；