噪声背景下基于多模板矢量量化的与文本无关的话者辩识

在话者辨识系统的实际应用中，导致系统识别率下降的根本原因是噪声的影响，它使得测试与训练条件不一致。本文针对实际环境中常见的加性背景噪声，提出了利用加入不同类型、不同信噪比噪声的含噪语音进行训练说话人的模型，每个说话人具有多个模板。实验结果表明，这种方法能够有效的提高系统的鲁棒性。文中还讨论了距离加权方法在话者辨识中的应用。

基于多模板矢量量化的战场目标识别的算法

提出噪声背景下基于多模板矢量量化的声目标识别方法。加性背景噪声中,提取了声信号的线性预测系数(LPC)作为目标识别的参数,对不同类型、不同信噪比的声目标进行模型训练用,使每个声目标具有多个模板。最后根据矢量量化识别算法判断声目标的类别。仿真结果表明:该方法在单一噪声背景下的声目标识别中具有可行性。