[发明专利]基于深度自编码网络的说话人性别自动识别方法及系统

权利要求书

1.一种基于深度自编码网络的说话人性别自动识别方法，其特征在于，所述基于深度自编码网络的说话人性别自动识别方法包括：

训练阶段，首先训练集语音信号进行预处理及Mel倒谱系数特征提取，后利用大量与特定说话人及信道无关的语音数据训练UBM通用背景模型；基于UBM通用背景模型和特定说话人的语音信号提取i-vector；用提取出的i-vector作为深度自编码网络的输入训练自编码器，进一步提炼特征，最后通过分类器实现不同说话人性别分类；

测试阶段，用与训练阶段相同的方式对测试语音信号进行预处理及i-vector提取，用训练好的深度自编码网络进行特征提炼和分类，后利用分类准确性、AUC、MCC三种评价标准评估模型；

所述基于深度自编码网络的说话人性别自动识别方法具体包括：

步骤一：利用与注册说话人及信道均无关的语音信号训练UBM通用背景模型；

步骤二：提取注册数据的i-vector；

步骤三：提取测试数据的i-vector；

步骤四：训练深度自编码网络；

步骤五：模式匹配与识别，并进行模型评估；

步骤四，具体包括：

A)：对步骤二得到的特征进行最大最小归一化,将所有特征数据等比例缩放到0-1区间；

B)：对所有注册说话人的性别标签进行one-hot编码；编码方法为：在对N个状态进行编码时采用N位独立的状态寄存器，调用时，N位中只有一位为有效编码；此数据集只有0和1两个分类或状态，经过one-hot编码后，变为2个二元互斥特征，每次调用时只激活一种特征；

C)：构建深度自编码网络结构；深度自编码网络包含一个输入层，2r-1个隐含层和一个输出层；输入层包含m个神经元x＝(x₁,x₂,...,x_m)T∈Rm；第k个隐层包含n_k＝n_2r-k个神经元(k＝1,2,...,2r-1)；隐含层向量为输出层为x′＝(x1′,x2′,...,xm′)T∈Rm，自编码网络的各层神经元激活输出表示为：

x′＝σ′(W^2rh_2r-1+b^2r)

其中为输入层与第1个隐含层间的权值矩阵，为第k-1个隐层与第k个隐层之间的权值矩阵，为第2r-1个隐层与输出层间的权值矩阵，b¹、b^k、b^2r为相应偏置向量。

2.如权利要求1所述的基于深度自编码网络的说话人性别自动识别方法，其特征在于，步骤一，具体包括：

1)：对与注册说话人及信道均无关的语音信号进行预处理，包括预加重、分帧、加窗；

2)：将步骤1)中预处理后的信号提取Mel倒谱系数特征；

3)：对步骤2)中得到的Mel倒谱特征进行全局倒谱均值、方差归一化；

4)：使用N个混合高斯模型对步骤3)得到的Mel倒谱特征进行统计建模，利用EM算法得到有N个高斯分量的通用背景模型UBM，包括每个高斯分量的均值超矢量，权重及高斯分量协方差矩阵。