支持向量机在说话人识别中的创新应用与优化策略

本篇硕士学位论文主要探讨了支持向量机（SVM）算法在说话人识别系统中的应用。作者张亚芬，专业为计算机应用技术，指导教师为李明，于2007年完成。论文针对说话人识别技术在实际应用中面临的挑战，如识别准确率、实时性和环境鲁棒性不足，提出了改进的方法。 首先，作者详细介绍了在语音特征预处理阶段，如何利用主成分分析（PCA）进行特征抽取和降维处理，同时引入核函数的思想，尤其是基于KPCA（Kernel Principal Component Analysis）的特征降维和噪声去除方法，提高了算法在非线性情况下的性能。 针对说话人识别中语音长度不一致的问题，作者提出了一种基于高斯混合模型（GMM）和通用背景模型（UBM）的新特征提取策略。这种方法将变长的语音序列转换为固定长度的特征向量，解决了长度差异导致的识别难题，并在此基础上设计了一种新的核函数，用于SVM分类器。 针对多类说话人识别的常见问题，作者创新性地提出了一种二叉树分类器的构建方法，以解决二类SVM在多类识别时的样本重复训练和比较问题。与传统的一对一或多对一方法相比，二叉树分类器在训练和测试过程中显著减少了计算量，提高了训练和识别速度，这对于实际应用中的高效性能至关重要。 论文的核心关键词包括支持向量机（SVM）、说话人识别、身份认证以及高斯混合模型（GMM）。本文的研究旨在提升说话人识别系统的性能，使之更好地适应现实环境和应用需求，为该领域的技术发展做出了贡献。