基于一维卷积非对称双向长短时记忆网络的声纹识别方法技术

技术编号:20871199 阅读:35 留言:0更新日期:2019-04-17 10:19
基于一维卷积非对称双向长短时记忆网络的声纹识别方法,属于声纹识别技术领域。本发明专利技术首先对原始语音信号进行预处理;构建非对称双向长短时记忆网络ABLSTM模型,以7:3的比例分配正向传播的LSTM和反向传播的LSTM的隐藏层神经元个数和输出层权重,使识别结果更大程度取决于正向传播的LSTM,提高声纹识别的精度;采用1DCNN进行声纹特征提取,利用最大池化操作减少特征参数,保留特征语音的声纹特征,并采用Leaky ReLU激活函数处理特征提取结果;采用提取同一时刻的声纹特征作为提出的非对称双向长短时记忆网络模型一个时间步的输入,利用归一化指数函数实现较精确的声纹识别。本发明专利技术方法训练速度较快,能更好的提高声纹识别的正确率,有一定的有效性。

【技术实现步骤摘要】
基于一维卷积非对称双向长短时记忆网络的声纹识别方法
本专利技术属于声纹识别
,具体涉及基于一维卷积非对称双向长短时记忆网络的声纹识别方法。
技术介绍
近年来随着移动互联网的蓬勃发展,生物识别技术由于其安全性、稳定性和不可替代性,越来越受到重视。与其他生物识别技术相比,声纹识别技术能够进行远程认证,使用成本低且易用性高。现如今,声纹识别技术有着广泛的应用领域,如军事安全、信息安全、司法鉴定、语音拨号、电话银行等,无论是在军事上还是民用上都有着重要的现实意义。因此,国内外学者对声纹识别进行了深入的分析研究。其中在已有的文献中最著名和效果最好的声纹识别方法主要包括:1.基于概率线性鉴别分析模型的文本无关声纹识别:2017年KhosravaniA,HomayounpourMM.APLDAapproachforlanguageandtextindependentspeakerrecognition.ComputerSpeech&Language,2017,45(5):457-474.提出利用来自双语使用者的多语种数据训练概率线性鉴别分析模型,从而实现文本无关的多语言声纹识别,实验取得了较高的识别正确率。2.基于课程学习的声纹识别鲁棒性研究:2018年RanjanS,HansenJHL,RanjanS,etal.CurriculumLearningBasedApproachesforNoiseRobustSpeakerRecognition.IEEE/ACMTransactionsonAudioSpeech&LanguageProcessing,2017,16(1):197-210.提出使用课程学习的训练方法,由易到难逐步训练概率线性鉴别分析模型,相比传统概率线性鉴别分析算法能取得更强的鲁棒性。3.基于受限玻尔兹曼机向量表示的声纹识别方法:2018年GhahabiO,HernandoJ.RestrictedBoltzmannmachinesforvectorrepresentationofspeechinspeakerrecognition.ComputerSpeech&Language,2018,47(1):16-29.提出通过受限玻尔兹曼机在高斯混合模型生成的超向量中提取全体说话人和回话变量,最后使用不同激活函数训练受限玻尔兹曼机,并利用不同变化函数提取目的向量,在保证良好识别效果的同时,降低了计算复杂度。4.基于梅尔倒谱系数和高斯混合模型的声纹识别方法:2018年SpeakerRecognitionforHindiSpeechSignalusingMFCC-GMMApproach.ProcediaComputerScience,2018,125(3):880-887.提出通过梅尔倒谱系数提取特征,使用矢量量化方法和高斯混合模型分别进行文本相关和文本无关的声纹识别,得到了较高的识别正确率。5.基于声音补偿梅尔倒谱系数特征提取的声纹识别方法:2018年JokinenE,SaeidiR,KinnunenT,etal.VocaleffortcompensationforMFCCfeatureextractioninashoutedversusnormalspeakerrecognitiontask.ComputerSpeech&Language,2019,53(3):1-11.提出在声纹识别的特征提取阶段,使用高斯混合模型得到补偿滤波器,修改梅尔倒谱系数计算链的全极点功率谱,修改呼喊语音的频谱包络,使呼喊语音接近于正常语音,取得了较高的识别正确率。传统声纹识别方法是采取不同的提取特征方法来完成声纹识别任务,但特定的某种特征提取方法在提取声纹特征的同时,也会造成一定的特征损失,不能充分利用到语音的全部信息,影响识别的正确率。近年来,随着深度学习技术的蓬勃发展,国内外学者对其在声纹识别、语音识别等领域进行了深入的分析研究,取得了显著的效果。其中在已有的文献中最著名和效果最好的方法主要包括:1.基于最大输出神经元的CNN和LSTM的语音识别:2016年CaiM,LiuJ.MaxoutneuronsfordeepconvolutionalandLSTMneuralnetworksinspeechrecognition.SpeechCommunication,2016,77(2):53-64.提出将Maxout神经元用于CNN和LSTM的语音识别中,在六种语言上提高了识别正确率。2.基于PAC-MCLDNN的多语种语音识别:2017年BukhariD,WangY,WangH.MultilingualConvolutional,LongShort-TermMemory,DeepNeuralNetworksforLowResourceSpeechRecognition.ProcediaComputerScience,2017,107(5):842-847.提出使用LSTM、卷积神经网络,深度神经网络组合模型,结合预测矫正结构,在AP16OrientalLanguageRecognition即AP16-OLR任务上取得了较好的识别精度。3.基于通用估计I-矢量的快速声纹识别:2018年XuL,LeeKA,LiH,etal.GeneralizingI-VectorEstimationforRapidSpeakerRecognition.IEEE/ACMTransactionsonAudio,Speech,andLanguageProcessing,2018,26(4):749-759.提出一种快速得到I-矢量的方法,以加快特征提取的速度,完成声纹识别。4.基于注意力增强CNN的音频分类:2018年YuWu,HuaMao,ZhangYi.AudioClassificationusingAttention-AugmentedConvolutionalNeuralNetwork.Knowledge-BasedSystems,2018,161(23):90-100.提出将声音转化为频谱图,并沿频域进行分割,生成频域分布谱图,最后采用注意力增强机制,通过卷积神经网络进行分类,取得了良好的分类效果。5.基于1DCNN-LSTM和2DCNN-LSTM的说话人情绪识别:Speechemotionrecognitionusingdeep1D&2DCNNLSTMnetworks.BiomedicalSignalProcessingandControl,2019,47:312-323.提出对声谱图采用卷积神经网络提取特征,采用LSTM进行说话人情绪识别,取得了较好的识别效果。
技术实现思路
本专利技术的目的在于提供一种具有较快训练速度,并能更好的提高声纹识别正确率的基于一维卷积非对称双向长短时记忆网络的声纹识别方法。本专利技术的目的是这样实现的:基于一维卷积非对称双向长短时记忆网络的声纹识别方法,包括以下步骤:(1)对原始语音信号进行预处理:(1.1)对原始语音信号进行幅值归一化处理;(1.2)对语音长度的归一化处理;(2)提出构建ABLSTM模型:(2.1)根据语音信号的时序特征,构建一条与时间轴同向的LST本文档来自技高网
...

【技术保护点】
1.基于一维卷积非对称双向长短时记忆网络的声纹识别方法,其特征在于,包括以下步骤:(1)对原始语音信号进行预处理:(1.1)对原始语音信号进行幅值归一化处理;(1.2)对语音长度的归一化处理;(2)提出构建ABLSTM模型:(2.1)根据语音信号的时序特征,构建一条与时间轴同向的LSTM,以及一条与时间轴反向的LSTM;(2.2)根据7:3的比例分配正反向LSTM隐藏层神经元个数;(2.3)根据7:3比例分配正反向LSTM输出层权重;(2.4)合并隐藏层,构建ABLSTM模型;(3)提出利用1DCNN进行声纹特征提取:(3.1)采用1DCNN生成特征语音;(3.2)使特征语音经过最大池化操作,减少特征参数的同时,保留特征语音的声纹特征;(3.3)利用Leaky ReLU激活函数激活池化后的特征语音;(4)完成基于一维卷积非对称双向长短时记忆网络的声纹识别:(4.1)同一语音信号经过1DCNN生成多个特征语音,提取同一时刻的声纹特征作为ABLSTM模型一个时间步的输入;(4.2)按照时间步逐步处理特征信息,利用归一化指数函数实现较精确的声纹识别。

【技术特征摘要】
1.基于一维卷积非对称双向长短时记忆网络的声纹识别方法,其特征在于,包括以下步骤:(1)对原始语音信号进行预处理:(1.1)对原始语音信号进行幅值归一化处理;(1.2)对语音长度的归一化处理;(2)提出构建ABLSTM模型:(2.1)根据语音信号的时序特征,构建一条与时间轴同向的LSTM,以及一条与时间轴反向的LSTM;(2.2)根据7:3的比例分配正反向LSTM隐藏层神经元个数;(2.3)根据7:3比例分配正反向LSTM输出层权重;(2.4)合并隐藏层,构建ABLSTM模型;(3)提出利用1DCNN进行声纹特征提取:(3.1)采用1DCNN生成特征语音;(3.2)使特征语音经过最大池化操作,减少特征参数的同时,保留特征语音的声纹特征;(3.3)利用LeakyReLU激活函数激活池化后的特征语音;(4)完成基于一维卷积非对称双向长短时记忆网络的声纹识别:(4.1)同一语音信号经过1DCNN生成多个特征语音,提取同一时刻的声纹特征作为ABLSTM模型一个时间步的输入;(4.2)按照时间步逐步处理特征信息,利用归一化指数函数实现较精确的声纹识别。2.根据权利要求1所述基于一维卷积非对称双向长短时记忆网络的声纹识别方法,其特征在于:在步骤1中对原始语音信号进行幅值归一化处理,范围为[-1,1];对语音长度进行归一化处理,包括裁剪大于标准长度语音的冗余部分和填充小于标准长度语音的空白部分。3.根据权利要求1所述的基于一维卷积非对称双向长短时记忆网络的声纹识别方法,其特征在于:步骤2.2中所述的根据7:3的比例分配正反向LSTM隐藏层神经元个数,即令正向传播的LSTM的隐藏层神经元比反向传播的LSTM的隐藏层的神经元多,使正向传播的LSTM能保留更多的声纹特征;步骤2.3中所述的根据7:3比例分配正反向LSTM输出层权重,即令正向传播的LSTM的输...

【专利技术属性】
技术研发人员:王兴梅薛复昭刘安华
申请(专利权)人:哈尔滨工程大学
类型:发明
国别省市:黑龙江,23

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1