基于Fisher准则的说话人识别特征参数提取研究的中期报告.docx

基于Fisher准则的说话人识别特征参数提取研究的中期报告

一、研究背景

说话人识别（SpeakerRecognition）是指在语音识别中用于识别不同说话人的独特声学特性，其应用包括电话安全、语音售货机等。在说话人识别任务中，通常通过提取一系列特征参数，并使用分类器进行分类。

当前，基于深度学习的说话人识别方法在取得显著进展的同时，传统的基于GMM-UBM的方法也仍然被广泛应用。在GMM-UBM方法中，经典的特征参数提取方法包括Mel频率倒谱系数（Mel-frequencyCepstralCoefficients，MFCC）和线性预测系数（LinearPredictiveCoding，LPC）等。然而，这些特征虽然在许多应用中表现良好，但它们本身并没有考虑到说话人的个性差异，因此无法提取具有区分性的说话人特征。

Fisher准则是一种经典的线性判别分析方法，可以通过寻找最优投影方向将数据投影到一维空间中，并最大化类间距离和最小化类内距离，从而提高分类效果。因此，在说话人识别中，基于Fisher准则的特征参数提取方法被认为能够提取出具有较高区分度的聚类特征。

本研究旨在探究基于Fisher准则的特征参数提取方法在说话人识别中的效果，并通过实验验证其可行性和有效性。

二、研究方法

1.数据集

本研究使用了TIMIT语音数据集中的说话人识别部分作为训练集和测试集。TIMIT数据集是一个美国英语录音数据集，包含了几乎所有的英语语音音位和汉语拼音所需的音位，具有较高的代表性和广泛的应用。

2.特征参数提取

在进行Fisher准则特征参数提取之前，先使用传统的MFCC和LPC方法提取特征，并将其作为对比实验结果。然后，使用Fisher准则方法提取新增的特征参数。

3.特征选择

对于提取出来的特征参数，采用Pearson相关系数进行特征选择，去除在不同说话人之间相关性较强的特征，保留具有区分性能的特征。

4.分类器选择

本研究采用SVM作为分类器，使用已有的训练数据进行训练，并在测试集上进行测试。

三、研究进展

1.数据集处理

TIMIT数据集中包含了多个不同的说话人录音，因此需要对数据集进行处理，将不同说话人的录音分开，并且保证训练集和测试集之间没有重复的说话人。

2.特征参数提取

在使用MFCC和LPC方法提取特征时，已经获得了较好的实验效果，并验证了传统的方法可以在说话人识别任务中发挥很好的作用。

在进行Fisher准则特征参数提取时，我们尝试了不同的参数组合，并对提取的特征参数进行了初步的相关性分析，初步验证了Fisher准则可以提取出具有区分性的说话人特征。

3.特征选择

我们已经编写了相关的代码，并通过实验分析了不同的特征选择对实验结果的影响。初步结果表明，特征选择能够有效地提高说话人识别的准确度。

4.分类器选择

我们已经成功地将使用SVM分类器的过程编写成了代码，并使用训练数据进行了测试。初步实验结果表明，在选取合适的特征参数和采取特征选择的情况下，基于Fisher准则的方法可以在说话人识别任务中获得较好的识别效果。

四、未来工作

我们将继续进行实验，进一步验证基于Fisher准则的方法在说话人识别中的可行性和有效性。具体而言，我们将：

1.优化特征参数提取方法，并尝试采用其他的特征提取方法，如GMM-UBM、I-vectors、x-vectors等，与Fisher准则方法进行比较。

2.改进特征选择算法，探究更加有效的特征选择策略，如PCA、LDA等。

3.尝试采用其他分类器进行识别，并研究一些半监督、增量学习等高级识别算法。

4.评估说话人数量对识别效果的影响，并将本研究结果与其他说话人识别方法进行比较，以验证其有效性和通用性。