• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Chinese Control and Decision Conference >Application of differential evolution optimization based Gaussian Mixture Models to speaker recognition
【24h】

Application of differential evolution optimization based Gaussian Mixture Models to speaker recognition

机译：基于差分进化优化的高斯混合模型在说话人识别中的应用

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Voice-based speaker recognition technique can be used in the identification of speakers. In such manner, Gaussian Mixture Model (GMM) can provide voice feature vectors' probability density model. In this paper, the Akaike's Information Criterion (AIC) is used to identify structures of the GMM models. The GMM parameter optimization is done by the differential evolution (DE) algorithm. During the optimization, a new parametric method is applied aiming at ensuring the positive definite symmetry property of an arbitrary covariance matrix. Here, both the expectation-maximization (EM) and DE are applied to identify the GMM parameters of a simulated dataset, and the utility of DE is proved by comparing the performances of the two. Further, DE is used to identify parameters of the GMM of Speaker Dataset acquired by Information Processing Laboratory in Hokkaido University. Again, the good performances of DE demonstrate superiorities to the EM method.
机译：基于语音的说话人识别技术可以用于说话人的识别。以这种方式，高斯混合模型（GMM）可以提供语音特征向量的概率密度模型。在本文中，Akaike的信息标准（AIC）用于识别GMM模型的结构。 GMM参数优化是通过差分进化（DE）算法完成的。在优化过程中，应用了一种新的参数化方法，旨在确保任意协方差矩阵的正定对称性。在此，期望最大化（EM）和DE均用于识别模拟数据集的GMM参数，并且通过比较两者的性能来证明DE的实用性。此外，DE用于识别北海道大学信息处理实验室获取的说话人数据集GMM的参数。再次，DE的良好性能证明了其比EM方法的优越性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号