神经计算与声纹识别

5.6.2　神经计算与声纹识别

神经计算泛指应用人工神经网络(ANN，Artificial Neural Network)进行的各种智能计算，它能体现人的某些智能特性。ANN的模型本身就是模拟人脑自身生物神经元及其连接而构造的。尽管由于计算机计算能力至今还不足以完成像人脑(1 000亿左右神经细胞)那样复杂神经网络的学习和计算，但它所表现出的能力和潜力已被大家所认同，并在各行各业中大显身手。其实ANN也是由若干单个神经元互连而成的。每个神经元可以由如图5-23所示的数学模型模拟。

我们可以把它看成一种映射关系，当一个音频特征输入时，通过神经连接强度［w₁，w₂，…，w_n］和激活函数f的运算来决定这个神经元是否被激活。如果被激活，它就向与它连接的其他神经元发出刺激信号，相反就发出抑制信号。那么复杂一点的网络如图5-24所示，它的详细参数如图5-25所示。

图5-23　单神经元模型

图5-24　单个神经元组成的网络

图5-25　单个神经元组成的网络

这里就出现了4个神经元，它们共同形成网络，对输入的信号作出反应。于是，所谓的学习就是当某些共性的输入反复出现时，我们让ANN给出一个稳定的输出，代表它对这一组共性输入已经有所掌握，学术上可以把这称作聚类分析。

人工神经网络模型已被应用在语音技术的许多方面。笔者考虑到ANN的统计特性、鲁棒性、学习能力、非线性映射能力，所以决定用它来分析一个特定人的声纹信息，找到和发现其声纹。

声纹识别一个特定人需要找到特定人的一组声纹参数，并且是在开集条件下、限定文本。首先从电视上采录下一个特定人的音频波形，如图5-26所示，然后进行参数提取，采用240点的分帧，计算基频及其16阶LPCC谱参数，然后把有效的LPCC参数画出来，如图5-27所示。

图5-26　特定人的音频波形

可见特定人的声纹在这一段采样中是稳定的。但是哪一个才能真正代表特定人而非他人呢?这里还需要做一些统计和聚类的工作，我们采用ANN技术，用2×2的SOFM(Self Organizing Feature Map)神经网分析过后发现了一种声纹模式，可以代表特定人的特征，这种特征使得特定人说话时学习过这一特征的神经元十分活跃，于是就把这条线所代表的参数定义为特定人的声纹。

以后要判定某一种声音是否是所说的特定人的声音，用此声纹模式做比对就可以做出判断。

根据不同的需要，如何提取有效的研究对象的声纹、怎样提取、如何保证准确性、如何处理与去除不相关干扰等都是声纹识别研究中的难题。另外，声纹不只是指人的语音特征，它可以是任何物体发出的可闻或不可闻的信号，这就如同海豚可以发出、听见并且辨认几海里之外的鱼群一样，因此它的应用领域和前景不可预估。

图5-27　特定人的声纹分布曲线