论文部分内容阅读
高维仿生信息学，利用人类形象思维的特有本领，找出在高维空间中利用形象分析的几何方法来近似的计算和总结多变量的实际问题。近年在人工智能、机器学习等这些传统方法不能很好胜任的“复杂”领域取得了突出进展。说话人识别是模式识别领域研究的热点，说话人识别技术的发展对促进机器智能化程度提高，具有重要作用。
本论文将说话人识别作为高维仿生信息学的研究载体，研究和探讨了从直观形象出发解决模式识别问题的方法。概念上将语音作为另一种在高维空间中以点集形式存在的信息，对其分布的几何特征进行基础的分析，以形象思维为手段寻找说话人自身语音的分布特点，作为识别的依据。同时对现有的说话人模型进行了形象分析，并用实验作了细致的实现和比对，研究了VQ、GMM、HMM模型在概念上的优势和问题，之后提出了一种基于形象的新模型。
本文的创新之处在于：
1)将高维空间几何分析方法用于现有说话人模型的分析，使现有模型的本质和问题清晰而直观的表现出来，这为认识语音样本点在高维空间中的分布提供了直观素材，同时为设计新模型铺平了道路。
2)提出了一种新的特征变换方式用于模式识别，新的特征变换方式在原有特征提取基础上，利用特征点在特征空间中的几何分布特征，做二次特征变换，新的特征变换方式与仿生模式识别相结合，可以进一步提高识别的效果。
3)提出了一种基于高维仿生信息学的说话人建模方法，从几何形象角度，分析说话人识别问题，为说话人识别提供了新的解决方案。并将该模型与典型的几种说话人模型在同等实验条件下做了比较和分析，说话人辨认识别率优于目前的主流VQ、GMM和HMM说话人模型，同时时间复杂度低于其他模型，在实际应用过程中，具有明显优势。