深度自动编码器在耳语音识别中的特征提取方法

"该论文探讨了深度自动编码器在耳语音说话人特征提取中的应用，旨在解决耳语音特征提取的困难，如缺乏基频、低能量和易受噪声干扰的问题。作者提出了使用深度自动编码器(Deep Autoencoder, DAE)作为特征提取工具，利用其无监督学习能力从数据中直接学习高层、稳定的特征，并具有噪声鲁棒性。实验结果证明，DAE在耳语音说话人识别中的性能优于传统MFCC-GMM方法，尤其在发音方式不匹配的测试中，识别率有显著提升。关键词包括：语音处理、耳语音、深度学习和特征提取。" 本文详细介绍了如何利用深度自动编码器来改善耳语音特征提取的挑战。耳语音，即耳语，由于其特殊性质——缺乏基频、能量较低以及容易受到环境噪声的干扰，使得传统的特征提取方法，如梅尔频率倒谱系数(MFCC)配合高斯混合模型(GMM)，在耳语音的说话人识别任务上表现不佳。为解决这一问题，研究者引入了深度自动编码器。 深度自动编码器是一种无监督学习的神经网络模型，它通过多层非线性变换对输入数据进行编码和解码，从而学习到数据的内在结构和特征表示。在耳语音特征提取中，DAE能够直接从原始信号中学习到更为抽象和稳定的高层特征，这些特征对于说话人识别任务更具区分性。同时，DAE的噪声鲁棒性使其能够在存在噪声的环境下保持良好的性能，有助于减少噪声对特征提取的影响。 实验部分对比了传统的MFCC-GMM方法与基于DAE的特征提取方法在耳语音说话人识别上的效果。结果显示，DAE作为特征提取器能够提高识别准确率，特别是在发音方式不匹配的情况下，识别性能有显著提升，这表明DAE能更好地捕捉耳语音的个体差异，增强了模型的泛化能力。 该研究通过深度自动编码器在耳语音特征提取中的应用，提供了一种有效的方法来克服耳语音的特有挑战，为耳语识别技术的进步提供了新的思路。这一工作不仅对语音处理领域，尤其是耳语识别有重要价值，也为深度学习在处理低信噪比信号和无监督特征学习方面提供了实践案例。