主成分分析和K-means聚类在说话人识别中的应用

为了解决特征提取计算量大且特征参数不够全面的问题,提出了用主成分分析和K-means聚类进行语音特征参数提取的方法。通过对说话人识别系统中最常用的线性预测倒谱系数(LPCC)参数和梅尔倒谱系数(MFCC)参数提取原理以及差分参数的提取算法深入研究,选择LPCC、MFCC以及其一阶差分参数的组合作为最终混合特征参数。首先用主成分分析降低每一帧语音信号特征参数的阶数,然后经过K-means聚类降低帧数,最后通过矢量量化(VQ)来进行说话人识别。实验结果表明,该方法降低了计算复杂度,同时也提升了识别准确性。

改进K-means算法在声纹识别中的应用

在基于高斯混合模型(GMM)的声纹识别算法中,K-means聚类算法是GMM模型参数初始化常用的方法之一。传统K-means算法在聚类过程中采用几何距离进行分类,忽略了类中各矢量的分布不同对聚类结果的影响,常常得不到令人满意的识别结果。文中对传统K-means算法进行了改进,并将改进后的K-means算法与GMM结合应用到声纹识别系统中。实验结果表明,改进的K-means算法与传统的算法相比具有更好的识别效果。

母语者和中高级水平留学生汉语逻辑义和语用义理解的在线实验

采用移动窗口技术和选择任务,考察了母语者和中高级水平留学生对时间型、等级型、数字型和完成型等4类汉语句子逻辑义和语用义的理解与选择特点。结果表明,在汉语句子理解中总体上表现为语用义占优势;中级水平留学生对时间型和等级型句子的理解逻辑义占有一定优势,对数字型句子的理解语用义占较大优势,对完成型句子的理解逻辑义和语用义的选择具有无偏性;母语者和高级水平留学生对各类汉语句子的理解均表现为语用义占优势;随着汉语水平提高,语用义的优势越明显。本研究初步表明,不同类型学习者在汉语句子阅读后所形成的心理表征中,语言形式与逻辑义及语用义的心理联结强度存在着差异,这可能影响了汉语句子的意义解读。

建立面向国际中文教育的汉语语义教学体系

为满足新时期国际中文教育学科建设和人才培养内涵发展的迫切需求,需要从语义范畴入手,构建一个面向国际中文教育的语义教学新体系。从目的论来看,这个体系的语义手段要描写恰当、语义特色要归纳准确、语义概念要提炼科学。从本体论来看,这个体系现阶段应包括虚词聚类和情态句式两大语义手段,在说话人的表达需求与可以使用的虚词、句式之间建立对应关系,使学生真正掌握用汉语表情达意的方法。从认识论来看,这个体系囊括了汉语的各种语义手段而又不纠缠语义,具有科学性、适用性。这一体系基于语义语法理念,立足汉语特点,主要是属于汉语教学语法的理论层面,也部分涉及语法教学的实践层面。它的进一步完善还有赖于理论语法研究的资源基础和语法教学实践的经验反馈。

基于K-means智能音响系统自适应配置分析

阐述以采集的无线接收信号强度指示RSSI参数作为原始数据集,利用K-means算法求出每个数据集的各簇样本中心值,生成数据集的样本中心值组。将每个中心值组与预存的参照标准基进行比较求得差方和值,以此来辨识各音箱功能并进行判定验证确认。最后进行音源声道与音箱的自动匹配连接,实现智能音响系统音源声道的自适应配置。

基于减法聚类与改进的模糊C-均值聚类算法的说话人识别方法的研究

提出一种将减法聚类与改进的模糊C-均值聚类相结合并用于说话人识别的方法.该方法将从语音信号中提取的Mel频率倒谱系数及其差分作为特征参数;用减法聚类算法初始化聚类中心,再用改进的模糊C-均值聚类算法进行修正,形成码本.识别时,对每一个待识别语音进行模糊聚类识别.仿真结果表明,该方法比改进的模糊C-均值聚类算法识别率高,具有较好的鲁棒性,且计算比较简单.

说话人识别中的Mel特征频率倒谱系数

目的研究语音特征梅尔频率倒谱系数(MFCC)的选取对说话人识别系统性能的影响。方法采用基于平均影响值(MIV)的支持向量机(SVM)方法研究了说话人识别中的梅尔频率倒谱系数各维倒谱分量对于识别分类的贡献度。结果选择具有代表性的特征向量进行说话人分类识别,能得到维数更低、识别率更高的特征参数。结论通过MIV值可判断各维特征参数分量的重要性,选取权重值高的MFCC特征参数来提高系统识别率和缩短系统运行时间。

基于特征均值距离的短语音段说话人聚类算法

该文提出一种基于特征均值距离的短语音段说话人聚类算法。首先,定义特征均值距离用来在特征层而不是模型层刻画两个类之间的相似度;然后,迭代合并特征均值距离最小的两个类,直到任意两类之间的特征均值距离的最小值大于一个自适应门限为止。采用取自两个语音数据库的短于3 s的语音段进行实验测试,结果表明:与基于AHC+BIC的算法相比,F度量值平均提高了5%,运算速度约为以前算法的4.68倍。

基于拟蒙特卡洛滤波的说话人跟踪方法

提出了一种基于拟蒙特卡洛滤波的说话人跟踪方法该方法利用拟蒙特卡洛积分技术优化采样粒子在状态空间的分布特性,降低了滤波过程中的积分误差,提高了状态估计精度;同时,用均值漂移技术使采样粒子向高似然区域移动,减少了所需采样粒子的数目,降低了计算需求.最后,将所提方法应用于说话人跟踪系统,提高了说话人位置的跟踪精度.仿真实验结果验证了本文方法的有效性.

基于粒子群优化-模糊聚类的说话人识别

基于粒子群优化(particle swarm optim ization,PSO)提出一种说话人识别算法—三粒子模糊C均值聚类算法.利用3个子群体,每个子群体由规模较小的3个粒子构成,寻求最佳说话人模型.在每次迭代中每个子群体按先后顺序执行PSO算法中的速度更新、位置更新操作和标准FCM算法,对说话人的训练语音数据进行粒子群优化-模糊的软聚类分析,得到聚类中心的最优解,作为该说话人的语音模型.此算法可避免粒子陷入局部最优聚类中心,较准确地记录和估计每个聚类中心的最佳移动方向和历史路径,从而使聚类中心向全局最优解靠近.实验表明,本算法始终稳定地取得优于LBG算法、FCM算法和FRLVQ-FVQ算法的说话人识别性能,对初始聚类中心依赖度低,可有效降低误识率.

基于方差归一化失真测度的改进的LBG算法

矢量量化（ＶＱ）技术在话者识别系统中得到了广泛的应用。 ＶＱ码本的产生通常采用 ＬＢＧ算法，失真测度则为对矢量的各分量等权重的欧氏距离。在话者识别系统中特征矢量的各个分量的分布是有差别的，且对于不同的话者，这种差别的程度又是不一样的。由于不同分布的各维参数对话者识别的有效性各不相同，因此，文章提出了一种能反映这种有效性差别的失真测度，即：方差归一化失真测度。以该失真测度为基础，并结合时序相关的初始码本设计方法及有效的零胞腔处理技术，文章提出了改进的ＬＢＧ算法，同时利用该算法训练出改进的ＶＱ话者模型，并进行了话者识别实验。

GMM文本无关的说话人识别系统研究

在高斯混合模型(Gaussian Mixture Model,GMM)训练时,对传统的模型参数初始化方法(随机法、K均值聚类法)进行改进,提出分裂法与K均值聚类相结合的新方法。实验表明,采用改进的方法与传统方法相比,系统平均识别率有15.47%和7.5%的提高。研究了GMM的阶数、协方差阈值、预加重系数对系统识别率的影响。对实验结果进行详细分析,并根据实验数据,取它们各自表现最好的值,从而使构建的说话人识别系统获得一个较高的识别率。实验表明,在规定的实验条件下,系统可达到90%以上的识别率。

基于蚁群算法的模糊C-均值聚类算法在声纹识别中的应用

提出了一种基于蚁群算法(ACG)的模糊动态C-均值聚类算法的声纹识别,该算法首先利用蚁群算法的较强处理局部极值的能力,克服了算法在选取聚类中心点时采用随机选取易使得迭代过程陷入局部最优解的缺点,动态地确定了聚类中心和数目.两者有机结合起来可以寻求到具有全局分布特性的最优聚类.将此算法运用于声纹识别上,从语音信号中提取待识别的特征矢量集,对待识别声纹信号进行识别.实验证明,该算法解决了算法对初始值敏感,易陷入局部最优的问题,且计算简单,识别率较高,具有较好的鲁棒性.

基于改进的高斯混合模型算法的说话人识别

高斯混合模型(GMM)已广泛运用于文本无关的说话人识别系统中,该方法具有简单高效的特点。在使用EM算法训练GMM时,GMM模型的初始化参数必须首先确定。本文采用改进后的模糊C均值聚类(FCM)方法将特征矢量归为与混合数相等的各个类中,然后计算参数作为初始值。实验表明,此训练方法能够获得更优的模型参数且识别率有较大的提高。

说话者意义的语用理解

说话者意义是语用范畴的意义。说话者意义存在话语意义或语境意义与交际意义两个层面。从这两个层面对说话者意义进行分析、解释和定义,可以帮助受话者准确理解、掌握说话者意义,从而使交际过程顺利进行。

基于遗传-模糊聚类的说话人识别方法及其仿真研究

利用遗传算法的全局收敛性及模糊C-均值(FCM)聚类强大的局部寻优能力,提出了一种基于遗传-模糊聚类的说话人识别方法。对说话人的训练语音数据进行遗传-模糊的软聚类分析,从而得到分类中心的全局最优解,作为每个说话人的语音模型,最后利用最大总平均隶属度函数准则对待识别语音进行模糊聚类识别。除此之外,使用自适应参数增加遗传算法的局部搜索能力。实验结果表明,这种算法克服了传统硬聚类的缺点,避免了FCM对初值敏感及容易陷入最小值的缺陷,使聚类更加合理,更好地描述了说话人的语音特征。

一种实用的说话人特征提取方法

针对稀疏核主成分分析方法在特征提取中的不足,提出了一种基于核K-均值聚类的稀疏核主成分分析(Sparse KPCA)的特征提取方法用于说话人识别。通过核K-均值聚类的方法对语音帧进行聚类,由于聚类的中心能够很好地代表类内的特征,用中心样本帧取代该类,减少了核矩阵的维数,然后再采用稀疏KPCA方法对核矩阵进行特征提取。该方法能够减少存储空间和计算的复杂度,它保证约简后的数据能够很好地代表原始数据并且在约简过程中信息损失最小。实验结果验证了提出的方法在不影响识别率的前提下提高了识别速度,满足了说话人识别的实用性要求。

说话者意图与会话蕴含——对语义—语用论者的反驳

在Grice的意义理论中,说话者意图是一个基本的、初始的概念。然而,面对语义—语用论的激烈批评,Grice不得不对言说的会话蕴含作出一个符合语义—语用论的解释以寻求认同。时至今日,Grice的意义理论被过度解读为语义—语用论,以致于其心理语言学方向的研究完全受到压制。通过对Grice的著作重新进行解读,我们力图恢复其心理语言学研究传统,并通过一个反例回击语义—语用论对心理语言学和说话者意图的批评。

短语音说话人辨认的研究

针对短语音说话人辨认训练语料不充分的特点,对特征参数和GMM模型进行优化和改进,提出一种基于局部模糊PCA的GMM说话人辨认方法.该方法采用特征组合代替单一特征,以提高有效特征维数来弥补特征样本的不足,并用局部模糊PCA对组合特征进行有效降维,在对识别率影响很小的前提下,降低了系统的时空复杂度.本文还对GMM参数初始化方法进行改进,采用分裂法与模糊k均值聚类相结合方法.实验表明,与传统初始化方法相比该方法能有效提高短语音说话人辨认性能.

一种基于K-SVD的说话人识别方法

为了充分提取语音中的个人特征信息,类比矢量量化,提出了一种基于K-均值奇异值分解(K-SVD)的说话人识别方法。利用K-SVD训练得到的字典可较好地保存语音信号中的个人特征信息。利用这一特性,通过K-SVD从训练数据中提取包含说话人个人特征信息的字典,利用该字典实现说话人识别。相对于传统方法,该方法能够更好地利用语音的稀疏性保存语音中的个人特征信息并减小重构误差。实验仿真结果表明,与基于矢量量化的说话人识别方法相比,该方法在多说话人的情况下具有更好的识别率,具有更高的实用价值。