[发明专利]一种基于卷积神经网络的移动设备源识别方法及系统

权利要求书

1.一种基于卷积神经网络的移动设备源识别方法，其特征在于，所述基于卷积神经网络的移动设备源识别方法包括：

提取训练语音片段的MFCC特征训练GMM-UBM模型；

再基于特定的带噪声的语音片段提取MFCC特征，调整GMM的参数；

将提取到的特征训练卷积神经网络，进行自动识别分类。

2.如权利要求1所述的基于卷积神经网络的移动设备源识别方法，其特征在于，所述基于卷积神经网络的移动设备源识别方法具体包括：

步骤一：对训练语音信号预处理提取特征信息；

步骤二：利用训练的语音训练GMM-UBM模型；

步骤三：对目标语音信号预处理提取特征信息；

步骤四：计算目标手机语音信号特定的GMM模型；

步骤五：提取高斯分量；

步骤六：训练卷积神经网络并测试模型。

3.如权利要求2所述的基于卷积神经网络的移动设备源识别方法，其特征在于，步骤一具体包括：

步骤1.1：对训练语音信号进行筛选；

步骤1.2：对训练的语音信号进行短时傅里叶变换；

步骤1.3：对步骤1.2中频域信号提取MFCCs特征；

步骤二具体包括；

步骤2.1：用步骤1.3中得到的MFCCs特征训练GMM-UBM模型；

步骤三具体包括：

步骤3.1：对目标语音进行短时傅里叶变换；

步骤3.2：对步骤3.1中频域信号提取MFCCs特征；

步骤四具体包括：

步骤4.1：将步骤3.2中得到的MFCCs特征通过步骤1.3所训练好的GMM模型和MAP算法调整GMM模型参数；

步骤五具体包括：

步骤5.1：把步骤4.1中训练好的每一个GMM模型的均值参数提取出来作为特征信号；

步骤六具体包括：

步骤6.1：将特征数据分为训练数据和测试数据两类；

步骤6.2：将特征数据分进行标注分类，标注使用one-hot编码；

步骤6.3：将特征数据进行预处理；

步骤6.4：将训练数据用来训练构建好的卷积神经网络；

步骤6.5：使用测试数据对已训练好的网络进行测试评估。

4.如权利要求3所述的基于卷积神经网络的移动设备源识别方法，其特征在于，步骤一进一步包括：

对训练的语音信号加窗分帧进行预处理，然后进行短时傅里叶变换；加窗的窗长设为256，帧移为128，然后进行傅里叶变换；

对中频域信号提取MFCCs特征，首先提取语音信号的MFCC特征，选择12个系数再加上F0的能量，同时保留一阶和二阶的系数，总共39维数据；

步骤二进一步包括：先训练最基本的录音GMM模型作为通用背景模型UBM；一个具有M个高斯，特征数据为D维的GMM模型表示为如下形式：

式中x为输入的N*D维的特征矢量。λ＝{w_i,u_i,∑_i}，w_i为高斯混合模型的权重，且满足最终得到的参数大小为D*1维。u_i为每个高斯分量的均值，大小为M*D维；Σ_i为每个高斯分量的方差，大小为M*D维；P_i(x)为每个高斯模型的概率密度，且满足

(x-u_i)^-1为(x-u_i)的转置，|Σ_i|和(Σ_i)^-1为Σ_i的行列式和逆矩阵，使用EM算法训练GMM-UBM模型。