本文的创新点与关键点之一:GMM,GMM-UBM,GMM-SVM的理解 大概是从10月20号开始由于项目需要开始接触说话人识别这一研究方向,这一个多月的时间主要是看论文中文英文,尤其是综述文章,当然也试着了解传统方法背后的思路和原理。经过这段时间的学习,有了一点自己的理解,故分享出来加深自己对理解的把握顺便水水文章。本文...
不同于GMM中的高斯分布假设,SVM不在乎数据的分布形状,其宗旨是寻找到一个最佳分类面使得它到两类样本的距离最远。这句话挺起来很拗口,但是符合我们对于分类问题的直观认识。有关SVM模型的推导已经有很多可供参考的资料,这里为了与GMM类的生成模型作对比,我们从概率模型的角度分析SVM模型。
【摘要】在传统的高斯混合模型-支持向量机(Gaussian Mixture Model-Support Vector Machine,GMM-SVM)说话人辨认系统中,SVM利用从GMM矢量空间中得到的超矢量(Super Vector)直接对说话人进行建模与识别,由于没有考虑到超矢量内各均值矢量之间的关联性,识别性能有限.为此,提出了基于重组超矢量构建文本无关的GMM-SVM说话人...
一种GMM2SVM混合说话人辨认模型 Ξ 冷自强 1 ,王金明 2 ,林大会 3 (1.解放军理工大学通信工程学院研究生1队,江苏南京210007; 2.解放军理工大学通信工程学院电子信息工程系;3.解放军理工大学通信工程学院研究生3队) 摘要:文中提出了一种GMM和SVM混合说话人识别模型,在特征参数域和概率得分域对两种模型进 行了...
GMMSVM文本无关的说话人识别中,韵律信息由于其对信道环境噪声的不敏感而又能反映说话人的说话特点而受到广泛关注,但往往这类特征不连续且长度不等,在数学建模时无法直接使用,针对这一问题,本文提出了利用对基频曲线段进行多项式拟合后的系数作为基频超音段特征.然后将MFCC和基频超音段特征在GMM上的打分进行分数混合,...
Client Dependent GMM-SVM Models for Speaker Verification Quan Le, Samy Bengio IDIAP, P.O. Box 592, CH-1920 Martigny, Switzerland {quan,bengio}@idiap.ch Abstract. Generative Gaussian Mixture Models (GMMs) are known to be the dominant approach for modeling speech sequences in text indepen- ...
针对支持向量机(SVM)输入参数不能充分利用高斯混合模型(GMM)均值、方差、权重所携带的说话人信息,而导致与文本无关话者确认系统性能下降的问题,本文结合GMM的均值、方差、权重,提出一种新的、基于自适应后GMM的,SVM模型输入特征提取方法。在NIST 06语音数据库上的实验表明,本方法将等误识率(EER)从高斯混合模型-通...
EM算法估计GMM参数42-455.3高斯混合模型在说话人识别中的应用45-495.3.1高斯混合模型应用于说话人辨认45-475.3.2高斯混合模型应用于说话人确认475.3.3确认阈值的选取47-495.4本章小结49-50第6章基于SVM-GMM的说话人辨识50-606.1本课题所要解决的问题50-516.2 SVM-GMM模型51-536.3实验与分析53-596.3.1实验过程53-...
基于GMM核的LS-SVM真核启动子模型
GMM不同门限值T的前景运动对象分割实验效果图如图2所示,T较大时背景干扰被弱化了,但动态前景对象也被弱化了,这样分割的错误率较高。为了解决这个问题,笔者引入SVM分类器,将GMM 与SVM结合,通过在GMM模型中选择一个较小的T值来突出前景像素,同时借助SVM分类器去图2GMM不同门限值T的前景运动对象分割实验效果图除...