[发明专利]基于MFCC和改进BP神经网络的声纹识别方法及系统

权利要求书

1.一种基于MFCC和改进BP神经网络的声纹识别方法，其特征在于，包括：

语音处理步骤：采用MFCC对语音信号进行特征提取，得到MFCC特征参数；

模型训练步骤：将语音信号的MFCC特征参数输入改进BP神经网络中进行模型训练；

语音识别步骤：从待识别语音信号中提取MFCC特征参数，输入训练好的改进BP神经网络中计算，将错误率最低值所对应的计算结果作为最终识别结果。

2.根据权利要求1所述的于MFCC和改进BP神经网络的声纹识别方法，其特征在于，所述语音处理步骤包括：

预加重子步骤：将语音信号通过滤波器提升高频部分；

分帧子步骤：对预加重后的语音信号进行分帧；

汉明窗子步骤：将分帧后的语音信号的每帧乘以汉明窗；

快速傅里叶变换子步骤：对汉明窗后的每一帧语音信号进行快速傅里叶变换，得到能量谱；

三角带通滤波子步骤：将能量普输入三角带通滤波器组；

对数能量计算子步骤：计算每个三角带通滤波器输出的对数能量；

离散余弦变换子步骤：将计算得到的对数能量代入离散余弦变换，得到MFCC特征参数；

动态差分参数子步骤：通过MFCC的差分谱来表示语音信号的动态特性，得到多维MFCC特征参数。

3.根据权利要求2所述的于MFCC和改进BP神经网络的声纹识别方法，其特征在于，所述预加重子步骤中，预加重计算公式为：

H(Z)＝1-μz^-1

其中，μ的值介于0.9-1.0之间，Z为预加重之后的语音信号，z为预加重之前的语音信号。

4.根据权利要求2所述的于MFCC和改进BP神经网络的声纹识别方法，其特征在于，所述三角带通滤波器组包括40个三角带通滤波器，所述离散余弦变换子步骤将计算得到的40个对数能量代入离散余弦变换，得到13阶MFCC。

5.根据权利要求1所述的于MFCC和改进BP神经网络的声纹识别方法，其特征在于，所述模型训练步骤中，BP神经网络的改进方法包括：

网络初始化子步骤：对BP神经网络进行初始化，设输入层的节点个数为n，隐含层的节点个数为l，输出层的节点个数为m，输入层到隐含层的权重ω_ij，隐含层到输出层的权重为ω_jk，输入层到隐含层的偏置为a_j，隐含层到输出层的偏置为b_k，学习速率为η，激励函数为g(x)，其中激励函数为g(x)取Sigmoid函数，形式为

隐藏层输出子步骤：在三层BP神经网络中，隐含层的输出H_j为

输出层输出子步骤：输出层的输出O_k为

误差计算子步骤：取误差公式为

其中Y_k为期望输出，记Y_k-O_k＝e_k，则E表示为：

权值更新子步骤：

在训练过程中，通过使用随机梯度下降反向传播神经网络来修改权重；

偏置更新子步骤：

迭代判断子步骤：指定迭代次数，判断相邻两次误差之间的差别是否小于预定的值。

6.一种基于MFCC和改进BP神经网络的声纹识别系统，其特征在于，包括：

语音处理模块：采用MFCC对语音信号进行特征提取，得到MFCC特征参数；

模型训练模块：将语音信号的MFCC特征参数输入改进BP神经网络中进行模型训练；

语音识别模块：从待识别语音信号中提取MFCC特征参数，输入训练好的改进BP神经网络中计算，将错误率最低值所对应的计算结果作为最终识别结果。