[发明专利]一种鉴别式局部信息距离保持映射的说话人确认方法

权利要求书

1.一种鉴别式局部信息距离保持映射的说话人确认方法，其特征在于，包括以下步骤：

1)训练阶段；具体包括以下步骤：

1.1)获取训练语音数据；训练语音数据对应的说话人个数为S，S≥500，每个说话人的训练语音数据大于等于5条，总共获取N条训练语音数据，N≥2500，每条训练语音数据时长大于30秒，每个说话人对应的训练语音数据为已知；

1.2)提取步骤1.1)获取的每条训练语音数据的i-vector，记为ω_train，n，n＝1，2，…，N；具体步骤如下：

1.2.1)提取每条训练语音数据的Baum-Welch统计量，表达式如下：

Zn,c=Σtn=1Tnγubm,c(otn)]]>

Fn,c=Σtn=1Tnγubm,c(otn)(otn-μubm,c)]]>

Sn,c=diag(Σtn=1Tnγubm,c(otn)(otn-μubm,c)(otn-μubm,c)t)]]>

式中，Z_n，c，F_n，c，S_n，c分别表示第n条训练语音数据第c个高斯的零阶、一阶、二阶统计量；T_n为第n条训练语音数据的总帧数；训练语音数据每帧提取一个特征，因此总帧数T_n等于该条训练语音数据的总特征数；是第n条训练语音数据第t帧的特征；μ_ubm，c是通用背景模型的第c个高斯的均值，c＝1，2，…，C，C为通用背景模型总的高斯个数；是属于第c个高斯产生的概率，即：

式中，ω_ubm，c是通用背景模型的第c个高斯所占的权重，∑_c为通用背景模型的第c个高斯的协方差矩阵；

1.2.2)提取每条训练语音数据的i-vector，表达式如下：

ω_train，n＝(I+T^tZ_n∑^-1T)^-1T^t∑^-1F_n

式中，ω_train，n为第n条训练语音数据的i-vector，T为总体变化子空间矩阵，∑是对角块为∑_c的协方差矩阵，Z_n是对角块为Z_n，cI的对角阵，F_n是由F_n，c串接而成的向量；

1.3)根据每个说话人对应的训练语音数据，提取每个说话人的i-vector，记为ω_s，表达式如下：

ω_s＝(I+T^tZ_s∑^-1T)^-1T^t∑^-1F_s

式中，ω_s为第s个说话人的i-vector，s＝1,2,…，S；Z_s为所有属于说话人s的训练语音数据的Z_n之和，F_s为所有属于说话人s的训练语音数据的F_n之和，表达式如下：

Zs=Σn∈sZn]]>

Fs=Σn∈sFn]]>

1.4)求取Fisher信息矩阵G；具体包括以下步骤：

1.4.1)从所有训练语音数据的特征中随机抽取T个特征，n＝1～N，t＝1～Tn；令o_t表示抽取的特征中的第t个特征，t＝1～T；

1.4.2)Fisher信息矩阵G的表达式如下：

G=Σi=1CΣj=1CTitΣi-1[Σt=1Tγubm,i(ot)γubm,j(ot)(ot-μubm,i)(ot-μubm,i)tΣt=1Tγubm,i(ot)γubm,j(ot)]Σj-1Tjt]]>

1.5)训练鉴别式局部保持映射矩阵A；具体步骤如下：

1.5.1)根据步骤1.4)求得的Fisher信息矩阵G，将所有训练语音数据的i-vector映射到高维上，表达式如下：

xtrain,n=G12ωtrain,n]]>

1.5.2)为所有训练语音数据构建邻接图，包括同类邻接图和异类近邻邻接图；

构建同类邻接图如果第i条训练语音数据和第j条训练语音数据来自同一个说话人，则将i和j连接起来，否则不连接；

构建异类近邻邻接图计算所有训练语音数据两两之间的距离，第i条训练语音数据和第j条训练语音数据的距离表达式为：||x_train，i-x_train，j||²；找出每条训练语音数据相邻最近的k条训练语音数据，1≤k≤N-1；如果第i条训练语音数据和第j条训练语音数据来自不同的说话人，并且第i条训练语音数据是和第j条训练语音数据相邻最近的k条训练语音数据中的一条，或者第j条训练语音数据是和第i条训练语音数据相邻最近的k条训练语音数据中的一条，则将i和j连接起来，否则不连接；

1.5.3)构建连接权重矩阵；

对于同类邻接图构建连接权重矩阵W_w：如果i，j两点相连，则连接权重设为热核连接或直接连接W_ω，ij＝1；如果i，j两点不相连，则连接权重W_ω，ij＝0；其中σ为调节热核连接大小的参数；

对于异类近邻邻接图构建连接权重矩阵W_b：如果i，j两点相连，则连接权重设为热核连接或直接连接W_b，ij＝1；如果i，j两点不相连，则连接权重W_b，ij＝0；

1.5.4)假设从高维x_train到低维y_train的映射矩阵为A，降维后y_train的维度为R_A，即y_train＝Ax_train；

如果第i条训练语音数据和第j条训练语音数据来自同一个说话人，则降维后使得y_train，i和y_train，j距离尽量小，即：

min12Σi,jWw,ij||ytrain,i-ytrain,j||2=min12Σi,jWw,ij||Axtrain,i-Axtrain,j||2=min[ΣiAtxtrain,iRw,iixtrain,jA-ΣijAtxtrain,iWw,ijxtrain,jA]=minAtXLwXtA]]>

式中，L_ω＝R_ω-W_ω，R_ω＝diag(R_ω，ii)，R_ω，ii＝∑_jW_ω，ij，X＝[x_train，1，x_train，2，…，x_train，N]；

如果第i条训练语音和第j条训练语音来自不同的说话人，则降维后使得y_train，i和y_train，j距离尽量大，即：

max12Σi,jWb,ij||ytrain,i-ytrain,j||2=maxAtXLbXtA,]]>

式中，L_b＝R_b-W_b，R_b＝diag(R_b，ii)，R_b，ii＝∑_jW_b，ij；

求解：

argAmaxAtXLbXtAAtXLwXtA]]>

则XL_bX^tA＝ΛXL_ωX^tA

其中，Λ为广义特征值；

计算矩阵束(XL_bX^t，XL_ωX^t)的广义特征值Λ，取出其中最大的R_A个特征值及其对应的特征向量；R_A个特征向量中每个特征向量对应矩阵的一行，组成鉴别式局部保持映射矩阵A；鉴别式局部保持映射矩阵矩阵A训练完毕；

2)说话人确认阶段；具体包括以下步骤：

2.1)获取待测语音数据；

2.2)重复步骤1.2)，提取该条待测语音数据的i-vector，记为ω_test；

2.3)选定一个训练语音数据的说话人s，根据距离函数K(ω_test，ω_s)＝(AGω_test)^t(AGω_s)计算ω_test和ω_s之间的距离；

2.4)设定一个距离阈值并判定：若步骤2.3)计算得到的距离大于或等于设定的距离阈值，则判断待测语音数据不属于说话人s；若步骤2.3)计算得到的距离小于设定距离阈值，则判断待测语音数据属于说话人s；说话人确认完成。