声纹识别关键技术：特征提取与模式匹配研究

"这篇硕士论文主要探讨了声纹识别中的关键技术，包括GMM模型和HTK工具的使用，以及特征提取和模式匹配的策略。作者魏凯在华中科技大学攻读计算机系统结构硕士，导师为鲁宏伟，完成于2006年。" 声纹识别技术是一种基于生物特征的识别方法，它通过分析语音波形中的特定参数来辨别说话人的身份。这一过程涉及两个主要环节：特征提取和模式匹配。特征提取是识别技术的核心，它需要从声音样本中提取出具有高度可分性和稳定性的声学或语言特征。论文指出，基于声道的全极点模型的线性预测系数（LPC）和利用音调特性提取的Mel倒谱系数（MFCC）是两种能有效体现说话人特征的参数。在特征提取过程中，加窗处理对于改善信号质量至关重要，经过性能分析，海明窗被选为最佳的加窗函数，因为它能有效减少能量泄漏。 模式匹配是另一个关键步骤，它需要在训练和识别阶段对特征模式进行相似度比较。传统的KMP算法虽然提高了匹配效率，但存在重复比较的问题。为解决这个问题，论文提出了一种新的匹配算法。与KMP算法不同，新算法在比较不等时，根据模式串当前字符的特征值k，使主串指针跳跃k个位置，然后重新开始匹配，以此减少比较次数，提高匹配速度。实验结果表明，这种改进的算法能显著提升匹配效率。 这篇论文深入研究了声纹识别的理论与实践，尤其是在GMM模型和HTK工具的应用，以及特征提取和模式匹配算法的优化方面，为声纹识别技术的发展提供了有价值的理论支持和实证研究。