声纹识别技术探索：特征提取与模式匹配

"这篇论文是华中科技大学计算机系统结构专业的硕士研究生魏凯关于声纹识别技术的研究，由导师鲁宏伟指导，完成于2006年4月29日。研究主要关注声纹识别中的关键技术和应用，包括特征提取和模式匹配，并探讨了线性预测系数和Mel倒谱系数在声纹特征提取中的作用，以及优化模式匹配的算法设计。" 在声纹识别技术中，特征提取是核心环节之一。它涉及从语音波形中抽取出能够反映说话人独特生理和行为特征的参数。论文指出，基于声道的全极点模型的线性预测系数（Linear Predictive Coding, LPC）和利用音调特性计算的Mel倒谱系数（Mel Frequency Cepstral Coefficients, MFCC）是两种有效的声纹特征。线性预测系数能够描述声道的物理特性，而Mel倒谱系数则通过模拟人耳对不同频率响应的方式来捕捉语音的主要结构信息。 特征提取过程中，加窗处理是必不可少的步骤，用于减少信号间的干扰。论文分析了多种窗函数的性能，最终选择海明窗（Hamming Window）作为加窗处理函数，因为它在减少能量泄漏方面的表现优秀。 模式匹配是另一项关键技术，其目标是确定测试语音与已知模板之间的相似性。传统的KMP算法虽能提高匹配效率，但仍存在重复比较的问题。论文提出了一种改进算法，当比较不相等时，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，模式串指针重置，以减少比较次数，提高匹配速度。实验表明，这种新算法能有效提升匹配效率。 这篇论文深入研究了声纹识别的关键技术，特别是特征提取方法和模式匹配策略的优化，对于理解和提升声纹识别系统的性能具有重要价值。这些研究成果可以应用于安全验证、语音识别等多个领域，为相关技术的发展提供了理论支持和实践参考。