【语音识别】基于MPCC+IPL特征结合SVM实现中英语种识别含Matlab源码

本文提出了一种改进的支持向量机(SVM)一对一分类方法,用于提高语种识别系统的性能。传统SVM在LDA时遇到奇异矩阵问题,识别率低下。新方法通过重新建模SVM一对一分类得分,显著提升了识别效果。在NIST 2011年语种识别评测数据集上,与SVM一对多分类对比,该方法在全变化量因子分析(iVector)和SVM-Gaussn超向量(SVM-GSV)系统中均表现出优越性能,融合后识别性能提升11.2%~33.9%。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1 简介

语种识别系统通常采用支持向量机(support vectormachine,SVM)一对多分类加Gauss后端分类器的方法进行分类.传统的SVM一对一分类在进行线性鉴别性分析(linear discriminant analysis,LDA)时特征值矩阵往往为奇异的,识别性能很低.该文提出一种改进的一对一分类方法,对SVM一对一分类得分重新建模,识别性能明显提高.在美国国家标准技术署(National Institute of Standardsand Technology,NIST)2011年语种识别评测(languagerecognition evaluation,LRE)30s数据集上的实验结果表明:在采用SVM的全变化量因子分析(total variability,iVector)和支持向量机-Gaussn超向量(support vectormachine-Gaussian super vector,SVM-GSV)语种识别系统上,该方法比SVM一对多分类方法性能更好,并且两种方法线性融合可明显提升识别性能,在iVector系统上各指标相对提升7.7%~15.9%,在SVM-GSV系统上各指标相对提升11.2%~33.9%.​

2 部分代码

%提取基音周期,得到1*N维的特征向量function PCH=framepitches(x,fs,zchang,zyi)[nrows,ncols]=size(x); if nrows>1    x=x';enddata=enframe(x,zchang,zyi);[nframe,flen]=size(data);for ij=1:nframe,    R=zeros(1,flen);                 %基音周期(n)多次分析数组      for k=1:flen-1                   %求自相关序列       for jj=1:flen-k         R(k)=R(k)+data(ij,jj)*data(ij,jj+k);       end     end     zer=find(R==0);  %找第一个零点如果存在     jiaocha=0;       %找第一近零点    ii=1;    while (jiaocha<=0)        if(R(ii)>0 && R(ii+1)<0 && (ii+1)<length(R))            jiaocha=ii;        end        ii=ii+1;        if ii==length(R)  %没有找到符合要求的点            jiaocha=1;        end    end    if length(zer)>0     %检查是否存在零点        if zer(1)<jiaocha  %存在,则和jiaocha比较大小,用于祛除前点的对基音周期的查找带来的影响        jiaocha=zer(1);        end    end    R(1:jiaocha)=0; %祛除影响    maxn=max(R);    %找最大值    temp=find(R==maxn);%返回第一个最大值    nmax=temp(1);    pitch=fs/nmax;    PCH(1,ij)=pitch;        end

3 仿真结果

4 参考文献

[1]王宪亮, 吴志刚, 杨金超,等. 基于SVM一对一分类的语种识别方法[J]. 清华大学学报:自然科学版, 2013(6):5.

博主简介:擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真,相关matlab代码问题可私信交流。

部分理论引用网络文献,若有侵权联系博主删除。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

matlab科研助手

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值