[发明专利]一种深度特征融合的地域性口音识别方法及装置

权利要求书

1.一种深度特征融合的地域性口音识别方法，其特征在于，包括：

提取待识别语音的瓶颈BN特征和滑动差分倒谱SDC特征；

将所述瓶颈BN特征和滑动差分倒谱SDC特征输入预置的支持向量机SVM分类器中，得到输出的所述待识别语音的语音类别；

所述预置的支持向量机SVM分类器为，以标注有高斯超向量GSV的每一类别的地域性口音普通话数据的训练样本训练得到，

通过如下方式标注每一类别的地域性口音普通话数据的高斯超向量GSV：

将每一类别的地域性口音普通话数据的BN特征和SDC特征输入预置的高斯混合模型-通用背景模型GMM-UBM中，并通过最大后验概率MAP自适应方法得到每一类别的地域性口音普通话数据的高斯超向量GSV；

基于得到的高斯超向量GSV对相应的每一类别的地域性口音普通话数据进行标注；

其中，所述预置的高斯混合模型-通用背景模型GMM-UBM为，基于不同类别的地域性口音普通话数据，通过期望最大化EM算法训练得到。

2.根据权利要求1所述的地域性口音识别方法，其特征在于，所述提取待识别语音的瓶颈BN特征包括：

将所述待识别语音输入预置的深度信念网络DBN，得到输出的所述待识别语音的瓶颈BN特征；

所述预置的深度信念网络DBN为，以包含有每一类别的地域性口音普通话数据以及提取的瓶颈BN特征的训练样本训练得到。

3.根据权利要求2所述的地域性口音识别方法，其特征在于，通过如下方式对所述深度信念网络DBN进行训练得到所述预置的深度训练网络DBN：

利用语音训练集，基于限制玻尔兹曼机RBM堆叠方法对所述深度信念网络DBN进行学习训练，其中，所述语音训练集中包括每一类别的地域性口音普通话数据以及提取的瓶颈BN特征；

在基于限制玻尔兹曼机RBM堆叠方法对所述深度信念网络DBN训练完成后，将所述深度信念网络DBN中节点数小于阈值的瓶颈层之后的网络参数移除，得到所述预置的深度信念网络DBN。

4.根据权利要求1所述的地域性口音识别方法，其特征在于，所述提取待识别语音的滑动差分倒谱SDC特征包括：

提取所述待识别语音的梅尔倒谱系数MFCC特征向量；

根据所述待识别语音的MFCC特征向量，得到所述待识别语音的滑动差分倒谱SDC特征。

5.根据权利要求4所述的地域性口音识别方法，其特征在于，所述根据所述待识别语音的MFCC特征，得到所述待识别语音的滑动差分倒谱SDC特征包括：

将所述待识别语音的MFCC特征向量与对应的差分向量拼接组成所述SDC特征的每个特征向量，其中，所述差分向量的数量与所述MFCC特征向量的维数相同；

其中，每一个差分向量由第一向量与第二向量相减得到，其中，所述第一向量为所述MFCC特征向量向前滑动第一设定数量帧后再向前偏移第二设定数量帧得到，所述第二向量为所述MFCC特征向量向前滑动第一设定数量帧后再向后偏移第二设定数量帧得到。

6.一种深度特征融合的地域性口音识别装置，其特征在于，包括：

提取模块，用于提取待识别语音的瓶颈BN特征和滑动差分倒谱SDC特征；

输出模块，用于将所述瓶颈BN特征和滑动差分倒谱SDC特征输入预置的支持向量机SVM分类器中，得到输出的所述待识别语音的语音类别；

其中，所述预置的支持向量机SVM分类器为，以标注有高斯超向量GSV的每一类别的地域性口音普通话数据的训练样本训练得到；

通过如下方式标注每一类别的地域性口音普通话数据的高斯超向量GSV：

将每一类别的地域性口音普通话数据的BN特征和SDC特征输入预置的高斯混合模型-通用背景模型GMM-UBM中，并通过最大后验概率MAP自适应方法得到每一类别的地域性口音普通话数据的高斯超向量GSV；

基于得到的高斯超向量GSV对相应的每一类别的地域性口音普通话数据进行标注；

其中，所述预置的高斯混合模型-通用背景模型GMM-UBM为，基于不同类别的地域性口音普通话数据，通过期望最大化EM算法训练得到。