东南大学硕士学位论文基于遗传算法的混合高斯模型在与文本无关的说话人识别中的应用Text-independentSpeakerRecognitionusingGMMbasedonGeneticAlgorithmADissertationSubmittedtoSoutheastUniversityFortheAcademicDegreeofMasterBYSupervisedbyDepartmentofRadioEngineeringSoutheastUniversityJanuary2007独创性声明独创性声明东南大学学位论文独创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得东南大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。研究生签名：日期：东南大学学位论文使用授权声明东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位论文的复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和借阅，可以公布（包括刊登）论文的全部或部分内容。论文的公布（包括刊登）授权东南大学研究生院办理。研究生签名：导师签名：日期：目录中文摘要PAGEI摘要基于遗传算法的混合高斯模型在与文本无关的说话人识别中的应用本文主要从说话人识别模型的初始化、训练和判别方法以及语音的端点检测等方面作研究探讨。在模型的初始化方面，方法一利用最大似然估计算法对模型进行初始化；方法二利用时间规整化方法对语音进行预先处理，用聚类后的语音对高斯模型的各成员密度函数分别进行初始化和训练。在识别模型的训练方面，主要研究高斯混合模型的模型训练。方法一利用最大似然估计算法对模型进行初始化，然后利用EM算法对初始模型按一定比例进行修正，最终获得较优模型。方法二用方法一获得的部分最优个体作为遗传算法的初始种群，通过选择、交叉和变异，收敛到最优模型。遗传算法采用浮点编码，交叉和变异在一个种群的胜者组和败者组同时进行，最后改为优胜劣汰。判别方法方面，对一段语音中的帧得分进行不同变换，然后获得最终的得分，从而改善识别效果。语音的端点检测方面，分别利用简单的三门限方法和利用信噪比的方法进行端点检测。关键词：说话人识别，高斯混合模型，改进EM算法、改进遗传算法、端点检测英文摘要目录uAbstractText-independentSpeakerRecognitionusingGMMbasedonGeneticAlgorithmThispapermostlyexploresintheinitializationandtrainingofspeakerrecognitionmodels,themethodofspeakerdecisionandthevoiceactivitydetector.Intheinitializationofspeakerrecognitionmodels,theinitializationofGaussionmixturemodelsisinvestigated.First,utilizethemaximumlikelihoodestimatetogaintheinitialmodels.Secondly,utilizethetimewarpingnetworktogaintheinitialmodels.Inthetrainingofspeakerrecognitionmodels,wealsoinvestigatethetrainingofGaussianmixturemodels.Thefirst,utilizingthemaximumlikelihoodestimatetogaininitialmodels,wemodifytheseinitialmodelswiththeexpectationmaximumalgorithmaccordingtoaratio.Thenweobtainmoreoptimalmodels.Secondly,usingsomeofresultsthatthefirstmethodattainsfortheinitialgroup,thegeneticalgorithmconvergestothemostoptimalmo