身份-矢量(identity-vector,i-vector)方法作为说话人确认领域中的主流方法之一,能够通过学习总变化空间来获取有效的低维说话人特征——i-vector特征.但是当开发集数据不充足时,会导致学习到的总变化空间模型误差较大;同时,还无法有效确认此时的总变化空间是否因为预先设置的维度过高而学到了冗余信息.为此,本文将贝叶斯主成分分析(Bayesian Principal Component Analysis,BPCA)引入总变化空间的学习过程中,利用其来为总变化空间引入更多的先验信息,从而对开发集数据中包含的信息进行补充,并在先验信息的约束下削弱总变化空间中无效维的影响.实验结果表明,当开发集数据不充足时,相比于传统的总变化空间学习方法,BPCA方法能够有效提升说话人确认系统的识别性能.
展开▼
机译：贝叶斯统计方法，Brian J.Reich Sujit K. Ghosh，Boca Raton，FL：Chapman和Hall / CRC，2019，硬覆盖。 PP。288.9.96美元。 贝叶斯统计方法贝叶斯统计方法，Brian J.Reich Brian J. Brian J.Reich Reich Sujit K. Ghosh Sujit K. Sujit K. Ghosh Ghosh，Boca Raton，Fl Boca Raton，FL：Chapman和Hall / CRC Chapman和Hall / CRC，2019 2019，硬封面。 PP。288.9.96美元。
