基于GMM超向量核函数的说话人识别

针对现有说话人识别系统识别率不高,鲁棒性能差的缺点,提出了一种基于超向量的核函数构造方法。通过对超向量进行KL散度变换和L2线性内积变换,分别得到KL散度线性核函数、KL散度非线性核函数以及L2内积核函数。实验结果表明,将这三种核函数分别应用于支持向量机的说话人识别系统,可以得到优于常规核函数的识别性能。

序列核支持向量机系统的广义性分析

在文本无关的说话人识别系统中,采用序列核作为核函数的支持向量机系统已经得到了广泛的应用。本文首先归纳出构造序列核的通用框架,并在此框架之上对高斯序列核和广义线性区分核两种目前运用比较成熟的序列核系统进行分析比较,说明特征空间中不同属性和层次的语音特征是如何通过不同的序列核来表征的。在NIST2006评测数据集中,识别率较传统的混合高斯模型-通用背景模型有显著提高。