本發(fā)明屬于聲紋識(shí)別、模式識(shí)別與機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域，特別地涉及一種基于二次建模的說(shuō)話人識(shí)別方法。

背景技術(shù)：

說(shuō)話人識(shí)別是指根據(jù)包含在語(yǔ)音中的和說(shuō)話人相關(guān)的信息來(lái)識(shí)別說(shuō)話人身份，隨著信息技術(shù)和通信技術(shù)的迅速發(fā)展，說(shuō)話人識(shí)別技術(shù)越來(lái)越受到重視并在諸多領(lǐng)域得到廣泛的應(yīng)用。如身份鑒別，緝拿電話信道罪犯，法庭中根據(jù)電話錄音做身份確認(rèn)，電話語(yǔ)音跟蹤，提供防盜門(mén)開(kāi)啟功能?；ヂ?lián)網(wǎng)應(yīng)用和通信領(lǐng)域，說(shuō)話人識(shí)別技術(shù)可以應(yīng)用于聲音撥號(hào)、電話銀行、電話購(gòu)物、數(shù)據(jù)庫(kù)訪問(wèn)、信息服務(wù)、語(yǔ)音e-mail、安全控制、計(jì)算機(jī)遠(yuǎn)程登錄等領(lǐng)域。

說(shuō)話人識(shí)別首先要對(duì)語(yǔ)音數(shù)據(jù)進(jìn)行預(yù)處理，提取特征。最常用的特征是一種基于人耳聽(tīng)感知理論的梅爾倒譜特征，目前廣泛應(yīng)用于說(shuō)話人識(shí)別、語(yǔ)種識(shí)別以及連續(xù)語(yǔ)音識(shí)別等。梅爾倒譜特征提取首先對(duì)語(yǔ)音數(shù)據(jù)進(jìn)行預(yù)加重和分幀加窗，然后對(duì)分幀加窗后的數(shù)據(jù)進(jìn)行快速傅里葉變換，得到對(duì)應(yīng)的頻譜，并通過(guò)梅爾頻標(biāo)三角窗濾波器進(jìn)行濾波，最后進(jìn)行離散余弦變換得到梅爾倒譜特征。

近年來(lái)，基于深度神經(jīng)網(wǎng)絡(luò)(DNN)的說(shuō)話人識(shí)別模型受到越來(lái)越多的關(guān)注，相比于傳統(tǒng)的高斯混合模型(GMM)，DNN模型的描述能力更強(qiáng)，能夠更好地模擬非常復(fù)雜的數(shù)據(jù)分布，基于DNN的系統(tǒng)取得顯著的性能提升。一個(gè)DNN模型包含輸入層、隱含層和輸出層三個(gè)層次：輸入層對(duì)應(yīng)語(yǔ)音數(shù)據(jù)的特征，輸入層的節(jié)點(diǎn)數(shù)根據(jù)語(yǔ)音數(shù)據(jù)對(duì)應(yīng)特征的維數(shù)而定；輸出層對(duì)應(yīng)各個(gè)說(shuō)話人的概率，輸出層的節(jié)點(diǎn)數(shù)根據(jù)總共需要識(shí)別的說(shuō)話人的個(gè)數(shù)而定；隱含層層數(shù)和節(jié)點(diǎn)數(shù)根據(jù)應(yīng)用需要及工程經(jīng)驗(yàn)定義。DNN模型訓(xùn)練時(shí)，先進(jìn)行非監(jiān)督訓(xùn)練再進(jìn)行監(jiān)督訓(xùn)練。非監(jiān)督訓(xùn)練時(shí)把每相鄰的兩層網(wǎng)絡(luò)當(dāng)成一個(gè)受限玻爾茲曼機(jī)，用對(duì)比散度(CD)算法逐層進(jìn)行訓(xùn)練。進(jìn)行監(jiān)督訓(xùn)練時(shí)，使用非監(jiān)督訓(xùn)練得到的DNN模型參數(shù)作為初始值，再用后向傳播算法對(duì)DNN模型參數(shù)進(jìn)行精確調(diào)整。目前為止，基于DNN模型的說(shuō)話人識(shí)別的方法都只使用一個(gè)DNN模型，但一個(gè)DNN模型很難同時(shí)對(duì)說(shuō)話人之間的宏觀特征和微觀特征進(jìn)行建模。這導(dǎo)致使用一個(gè)DNN模型對(duì)說(shuō)話人進(jìn)行識(shí)別時(shí)，有些語(yǔ)音可以很容易區(qū)分，而有些語(yǔ)音卻容易混淆。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是為克服已有技術(shù)的不足之處，提出了一種基于二次建模的說(shuō)話人識(shí)別方法。本發(fā)明通過(guò)建立兩個(gè)DNN模型，同時(shí)考慮了說(shuō)話人宏觀特征和微觀特征，可有效地提高說(shuō)話人識(shí)別的準(zhǔn)確率。

一種基于二次建模的說(shuō)話人識(shí)別的方法，分為為模型訓(xùn)練階段和說(shuō)話人識(shí)別階段兩個(gè)階段；在模型訓(xùn)練階段，獲取所有待識(shí)別說(shuō)話人的訓(xùn)練語(yǔ)音數(shù)據(jù)并預(yù)處理；根據(jù)訓(xùn)練語(yǔ)音數(shù)據(jù)訓(xùn)練得到第一個(gè)DNN模型；利用第一個(gè)DNN模型，對(duì)訓(xùn)練語(yǔ)音數(shù)據(jù)進(jìn)行識(shí)別，提取易混語(yǔ)音數(shù)據(jù)；根據(jù)易混語(yǔ)音數(shù)據(jù)訓(xùn)練得到第二個(gè)DNN模型；在說(shuō)話人識(shí)別階段，獲取待識(shí)別語(yǔ)音數(shù)據(jù)并預(yù)處理；利用第一個(gè)DNN模型對(duì)待識(shí)別語(yǔ)音數(shù)據(jù)進(jìn)行識(shí)別，若識(shí)別概率大于判定閾值，則識(shí)別結(jié)果中輸出概率最大值所對(duì)應(yīng)的說(shuō)話人為該條待識(shí)別語(yǔ)音數(shù)據(jù)的說(shuō)話人；否則通過(guò)第二個(gè)DNN模型對(duì)待識(shí)別語(yǔ)音數(shù)據(jù)進(jìn)行第二次識(shí)別，識(shí)別結(jié)果中輸出概率最大值所對(duì)應(yīng)的說(shuō)話人為該條待識(shí)別語(yǔ)音數(shù)據(jù)的說(shuō)話人。該方法包括以下步驟：

1)模型訓(xùn)練階段；具體包括以下步驟：

1-1)獲取所有待識(shí)別說(shuō)話人的訓(xùn)練語(yǔ)音數(shù)據(jù)，且每條訓(xùn)練語(yǔ)音數(shù)據(jù)所對(duì)應(yīng)的說(shuō)話人為已知；對(duì)獲取的訓(xùn)練語(yǔ)音數(shù)據(jù)進(jìn)行預(yù)處理，提取所有訓(xùn)練語(yǔ)音數(shù)據(jù)對(duì)應(yīng)的梅爾倒譜特征，并計(jì)算梅爾倒譜特征的一階、二階導(dǎo)數(shù)，共60維；

1-2)建立第一個(gè)DNN模型并進(jìn)行訓(xùn)練，具體包括以下步驟：

1-2-1)設(shè)置第一個(gè)DNN模型的層數(shù)和節(jié)點(diǎn)數(shù)；

第一個(gè)DNN模型分為輸入層，隱含層和輸出層三個(gè)層次；輸入層對(duì)應(yīng)訓(xùn)練語(yǔ)音數(shù)據(jù)的特征，輸入層節(jié)點(diǎn)數(shù)為步驟1-1)得到的訓(xùn)練語(yǔ)音數(shù)據(jù)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)共60維，則輸入層節(jié)點(diǎn)數(shù)設(shè)置為60個(gè)；輸出層對(duì)應(yīng)各個(gè)說(shuō)話人的概率，輸出層節(jié)點(diǎn)數(shù)為所有待識(shí)別說(shuō)話人的個(gè)數(shù)，每個(gè)節(jié)點(diǎn)輸出分別對(duì)應(yīng)每個(gè)說(shuō)話人的概率；隱含層用于自動(dòng)提取不同層次的特征，每層隱含層的節(jié)點(diǎn)數(shù)代表該層隱含層提取的特征的維度；

1-2-2)對(duì)第一個(gè)DNN模型進(jìn)行訓(xùn)練，得到第一個(gè)DNN模型參數(shù)；

根據(jù)所有待識(shí)別的說(shuō)話人的訓(xùn)練語(yǔ)音數(shù)據(jù)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)，對(duì)第一個(gè)DNN模進(jìn)行訓(xùn)練，模型參數(shù)包括相鄰兩層的連接權(quán)重和每個(gè)節(jié)點(diǎn)的偏置；先進(jìn)行非監(jiān)督訓(xùn)練再進(jìn)行監(jiān)督訓(xùn)練：非監(jiān)督訓(xùn)練時(shí)，把第一個(gè)DNN模型中每相鄰的兩層，當(dāng)成一個(gè)受限玻爾茲曼機(jī)，用對(duì)比散度算法依次訓(xùn)練所有的受限玻爾茲曼機(jī)，得到第一個(gè)DNN模型參數(shù)的初始值；進(jìn)行監(jiān)督訓(xùn)練時(shí)，使用非監(jiān)督訓(xùn)練得到的第一個(gè)DNN模型參數(shù)的初始值，利用后向傳播算法對(duì)第一個(gè)DNN模型參數(shù)進(jìn)行精確調(diào)整，最后得到第一個(gè)DNN模型參數(shù)；

1-3)提取易混語(yǔ)音數(shù)據(jù)；

根據(jù)步驟1-2)訓(xùn)練得到的第一個(gè)DNN模型，對(duì)所有待識(shí)別的說(shuō)話人的訓(xùn)練語(yǔ)音數(shù)據(jù)進(jìn)行識(shí)別并設(shè)定閾值；如果一條訓(xùn)練語(yǔ)音數(shù)據(jù)的識(shí)別結(jié)果中該條訓(xùn)練語(yǔ)音數(shù)據(jù)對(duì)應(yīng)的說(shuō)話人的概率小于設(shè)定的閾值，則說(shuō)明該條語(yǔ)音數(shù)據(jù)的識(shí)別結(jié)果區(qū)分性不好，將此條訓(xùn)練語(yǔ)音數(shù)據(jù)提取作為易混語(yǔ)音數(shù)據(jù)，用于第二個(gè)DNN模型的訓(xùn)練；若識(shí)別結(jié)果大于等于設(shè)定的閾值，則說(shuō)明該條訓(xùn)練語(yǔ)音數(shù)據(jù)易于區(qū)分，不作為易混語(yǔ)音數(shù)據(jù)；

1-4)建立第二個(gè)DNN模型并進(jìn)行訓(xùn)練，具體包括以下步驟：

1-4-1)設(shè)置第二個(gè)DNN模型的層數(shù)和節(jié)點(diǎn)數(shù)；

第二個(gè)DNN模型分為輸入層，隱含層和輸出層三個(gè)層次；輸入層對(duì)應(yīng)訓(xùn)練語(yǔ)音數(shù)據(jù)的特征，輸入層節(jié)點(diǎn)數(shù)為步驟1-3)提取的易混語(yǔ)音數(shù)據(jù)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)共60維，則輸入層節(jié)點(diǎn)數(shù)設(shè)置為60個(gè)；輸出層對(duì)應(yīng)各個(gè)說(shuō)話人的概率，輸出層節(jié)點(diǎn)數(shù)為易混語(yǔ)音數(shù)據(jù)中所包含的說(shuō)話人個(gè)數(shù)，每個(gè)節(jié)點(diǎn)輸出分別對(duì)應(yīng)每個(gè)說(shuō)話人的概率；隱含層用于自動(dòng)提取不同層次的特征，每層隱含層的節(jié)點(diǎn)數(shù)代表該層隱含層提取的特征的維度；

1-4-2)對(duì)第二個(gè)DNN模型進(jìn)行訓(xùn)練，得到第二個(gè)DNN模型參數(shù)；

根據(jù)步驟1-3)得到的易混語(yǔ)音數(shù)據(jù)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)，對(duì)第二個(gè)DNN模型進(jìn)行訓(xùn)練，模型參數(shù)包括相鄰兩層的連接權(quán)重和每個(gè)節(jié)點(diǎn)的偏置；先進(jìn)行非監(jiān)督訓(xùn)練再進(jìn)行監(jiān)督訓(xùn)練：非監(jiān)督訓(xùn)練時(shí)把第二個(gè)DNN模型中每相鄰的兩層當(dāng)成一個(gè)受限玻爾茲曼機(jī)，用對(duì)比散度算法依次訓(xùn)練所有的受限玻爾茲曼機(jī)，得到第二個(gè)DNN模型參數(shù)的初始值；進(jìn)行監(jiān)督訓(xùn)練時(shí)，使用非監(jiān)督訓(xùn)練得到的第二個(gè)DNN模型參數(shù)的初始值，利用后向傳播算法對(duì)第二個(gè)DNN模型參數(shù)進(jìn)行精確調(diào)整，最后得到第二個(gè)DNN模型參數(shù)；

2)說(shuō)話人識(shí)別階段；具體包括以下步驟：

2-1)獲取所需識(shí)別的說(shuō)話人中的某一個(gè)人的待識(shí)別語(yǔ)音數(shù)據(jù)，對(duì)待識(shí)別的語(yǔ)音數(shù)據(jù)進(jìn)行預(yù)處理，提取待識(shí)別語(yǔ)音數(shù)據(jù)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)，共60維；

2-2)將步驟2-1)得到待識(shí)別語(yǔ)音數(shù)據(jù)的60維的特征輸入到步驟1-2)得到的第一個(gè)DNN模型中進(jìn)行識(shí)別，輸出層輸出待識(shí)別語(yǔ)音數(shù)據(jù)的識(shí)別結(jié)果，即該條語(yǔ)音數(shù)據(jù)分別對(duì)應(yīng)訓(xùn)練語(yǔ)音數(shù)據(jù)中每個(gè)說(shuō)話人的概率，輸出層每個(gè)節(jié)點(diǎn)的輸出分別對(duì)應(yīng)一個(gè)說(shuō)話人的概率；

2-3)設(shè)置判定閾值，判斷步驟2-2)的識(shí)別結(jié)果中是否存在概率大于判定閾值的結(jié)果：若有，則第一個(gè)DNN模型識(shí)別結(jié)果中輸出概率最大值所對(duì)應(yīng)的說(shuō)話人即為該條待識(shí)別語(yǔ)音數(shù)據(jù)的說(shuō)話人，識(shí)別結(jié)束；若沒(méi)有，則轉(zhuǎn)入步驟2-4)；

2-4)若步驟2-3)的識(shí)別結(jié)果中沒(méi)有概率大于判定閾值的結(jié)果，則對(duì)該條待識(shí)別語(yǔ)音數(shù)據(jù)使用第二個(gè)DNN模型進(jìn)行第二次識(shí)別；第二個(gè)DNN模型識(shí)別結(jié)果中輸出概率最大值所對(duì)應(yīng)的說(shuō)話人即為該條待識(shí)別語(yǔ)音數(shù)據(jù)的說(shuō)話人，識(shí)別結(jié)束。

本發(fā)明的特點(diǎn)及有益效果在于：

與現(xiàn)有技術(shù)相比，本發(fā)明的第一個(gè)DNN模型對(duì)說(shuō)話人之間的宏觀特征進(jìn)行建模，第二個(gè)DNN模型對(duì)說(shuō)話人之間的微觀特征進(jìn)行建模。本發(fā)明方法增加了對(duì)不同說(shuō)話人易混語(yǔ)音數(shù)據(jù)的鑒別性，具有很好的系統(tǒng)穩(wěn)定性，同時(shí)考慮了宏觀特征和微觀特征，可以提高說(shuō)話人識(shí)別的準(zhǔn)確率。

附圖說(shuō)明

圖1是本發(fā)明方法的流程圖。

圖2是本發(fā)明實(shí)施例中的第一個(gè)DNN模型結(jié)構(gòu)圖。

圖3是本發(fā)明實(shí)施例中的第二個(gè)DNN模型結(jié)構(gòu)圖。

具體實(shí)施方式

本發(fā)明提出的一種基于二次建模的說(shuō)話人識(shí)別方法，下面結(jié)合附圖和具體實(shí)施例進(jìn)一步詳細(xì)說(shuō)明如下。

本發(fā)明提出的一種基于二次建模的說(shuō)話人識(shí)別方法，分為為模型訓(xùn)練階段和說(shuō)話人識(shí)別階段兩個(gè)階段；在模型訓(xùn)練階段，獲取所有待識(shí)別說(shuō)話人的訓(xùn)練語(yǔ)音數(shù)據(jù)并預(yù)處理；根據(jù)訓(xùn)練語(yǔ)音數(shù)據(jù)訓(xùn)練得到第一個(gè)DNN模型；利用第一個(gè)DNN模型，對(duì)訓(xùn)練語(yǔ)音數(shù)據(jù)進(jìn)行識(shí)別，提取易混語(yǔ)音數(shù)據(jù)；根據(jù)易混語(yǔ)音數(shù)據(jù)訓(xùn)練得到第二個(gè)DNN模型；在說(shuō)話人識(shí)別階段，獲取待識(shí)別語(yǔ)音數(shù)據(jù)并預(yù)處理；利用第一個(gè)DNN模型對(duì)待識(shí)別語(yǔ)音數(shù)據(jù)進(jìn)行識(shí)別，若識(shí)別概率大于判定閾值，則識(shí)別結(jié)果中輸出概率最大值所對(duì)應(yīng)的說(shuō)話人為該條待識(shí)別語(yǔ)音數(shù)據(jù)的說(shuō)話人；否則通過(guò)第二個(gè)DNN模型對(duì)待識(shí)別語(yǔ)音數(shù)據(jù)進(jìn)行第二次識(shí)別，識(shí)別結(jié)果中輸出概率最大值所對(duì)應(yīng)的說(shuō)話人為該條待識(shí)別語(yǔ)音數(shù)據(jù)的說(shuō)話人。該方法流程圖如圖1所示，包括以下步驟：

1)模型訓(xùn)練階段；具體包括以下步驟：

1-1)獲取所有待識(shí)別說(shuō)話人的訓(xùn)練語(yǔ)音數(shù)據(jù)，且每條訓(xùn)練語(yǔ)音數(shù)據(jù)所對(duì)應(yīng)的說(shuō)話人為已知，獲取方式可以為現(xiàn)場(chǎng)錄音或電話錄音；對(duì)獲取的訓(xùn)練語(yǔ)音數(shù)據(jù)進(jìn)行預(yù)處理，提取所有訓(xùn)練語(yǔ)音數(shù)據(jù)對(duì)應(yīng)的梅爾倒譜特征，并計(jì)算梅爾倒譜特征的一階、二階導(dǎo)數(shù)，共60維；

1-2)建立第一個(gè)DNN模型并進(jìn)行訓(xùn)練，具體包括以下步驟：

1-2-1)設(shè)置第一個(gè)DNN模型的層數(shù)和節(jié)點(diǎn)數(shù)；

第一個(gè)DNN模型分為輸入層，隱含層和輸出層三個(gè)層次；輸入層對(duì)應(yīng)訓(xùn)練語(yǔ)音數(shù)據(jù)的特征，輸入層節(jié)點(diǎn)數(shù)為步驟1-1)得到的訓(xùn)練語(yǔ)音數(shù)據(jù)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)共60維，則輸入層節(jié)點(diǎn)數(shù)設(shè)置為60個(gè)；輸出層對(duì)應(yīng)各個(gè)說(shuō)話人的概率，輸出層節(jié)點(diǎn)數(shù)為所有待識(shí)別說(shuō)話人的個(gè)數(shù)，每個(gè)節(jié)點(diǎn)輸出分別對(duì)應(yīng)每個(gè)說(shuō)話人的概率；隱含層主要用于自動(dòng)提取不同層次的特征，隱含層的層數(shù)和節(jié)點(diǎn)數(shù)根據(jù)需要及經(jīng)驗(yàn)設(shè)定，一般設(shè)置隱含層層數(shù)為3-5層；每層隱含層的節(jié)點(diǎn)數(shù)代表該層隱含層提取的特征的維度，中間位置的隱含層節(jié)點(diǎn)數(shù)一般設(shè)置為300-500個(gè)，其他隱含層節(jié)點(diǎn)數(shù)一般設(shè)置為1000-2000個(gè)；

1-2-2)對(duì)第一個(gè)DNN模型進(jìn)行訓(xùn)練，得到第一個(gè)DNN模型參數(shù)；

根據(jù)所有待識(shí)別的說(shuō)話人的訓(xùn)練語(yǔ)音數(shù)據(jù)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)，對(duì)第一個(gè)DNN模進(jìn)行訓(xùn)練，模型參數(shù)包括相鄰兩層的連接權(quán)重和每個(gè)節(jié)點(diǎn)的偏置；先進(jìn)行非監(jiān)督訓(xùn)練再進(jìn)行監(jiān)督訓(xùn)練：非監(jiān)督訓(xùn)練時(shí)把第一個(gè)DNN模型中每相鄰的兩層，當(dāng)成一個(gè)受限玻爾茲曼機(jī)，用對(duì)比散度(CD)算法依次訓(xùn)練所有的受限玻爾茲曼機(jī)，得到第一個(gè)DNN模型參數(shù)的初始值；進(jìn)行監(jiān)督訓(xùn)練時(shí)，使用非監(jiān)督訓(xùn)練得到的第一個(gè)DNN模型參數(shù)的初始值，利用后向傳播算法對(duì)第一個(gè)DNN模型參數(shù)進(jìn)行精確調(diào)整，最后得到第一個(gè)DNN模型參數(shù)；

1-3)提取易混語(yǔ)音數(shù)據(jù)；

根據(jù)步驟1-2)訓(xùn)練得到的第一個(gè)DNN模型，對(duì)所有待識(shí)別的說(shuō)話人的訓(xùn)練語(yǔ)音數(shù)據(jù)進(jìn)行識(shí)別并設(shè)定閾值，根據(jù)經(jīng)驗(yàn)，閾值范圍一般設(shè)為0.7-0.9；如果一條訓(xùn)練語(yǔ)音數(shù)據(jù)的識(shí)別結(jié)果中該條訓(xùn)練語(yǔ)音數(shù)據(jù)對(duì)應(yīng)的說(shuō)話人的概率小于設(shè)定的閾值，則說(shuō)明該條語(yǔ)音數(shù)據(jù)的識(shí)別結(jié)果區(qū)分性不好，將此條訓(xùn)練語(yǔ)音數(shù)據(jù)提取作為易混語(yǔ)音數(shù)據(jù)，用于第二個(gè)DNN模型的訓(xùn)練；若識(shí)別結(jié)果大于等于設(shè)定的閾值，則說(shuō)明該條訓(xùn)練語(yǔ)音數(shù)據(jù)易于區(qū)分，不作為易混語(yǔ)音數(shù)據(jù)；

1-4)建立第二個(gè)DNN模型并進(jìn)行訓(xùn)練，具體包括以下步驟：

1-4-1)設(shè)置第二個(gè)DNN模型的層數(shù)和節(jié)點(diǎn)數(shù)；

第二個(gè)DNN模型分為輸入層，隱含層和輸出層三個(gè)層次；輸入層對(duì)應(yīng)訓(xùn)練語(yǔ)音數(shù)據(jù)的特征，輸入層節(jié)點(diǎn)數(shù)為步驟1-3)提取的易混語(yǔ)音數(shù)據(jù)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)，共60維，則輸入層節(jié)點(diǎn)數(shù)設(shè)置為60個(gè)；輸出層對(duì)應(yīng)各個(gè)說(shuō)話人的概率，輸出層節(jié)點(diǎn)數(shù)為易混語(yǔ)音數(shù)據(jù)中所包含的說(shuō)話人個(gè)數(shù)，每個(gè)節(jié)點(diǎn)輸出分別對(duì)應(yīng)每個(gè)說(shuō)話人的概率；隱含層一般設(shè)置層數(shù)為3-5層，中間位置的隱含層節(jié)點(diǎn)數(shù)一般設(shè)置為300-500個(gè)，其他隱含層節(jié)點(diǎn)數(shù)一般設(shè)置為1000-2000個(gè)；

1-4-2)對(duì)第二個(gè)DNN模型進(jìn)行訓(xùn)練，得到第二個(gè)DNN模型參數(shù)；

根據(jù)步驟1-3)得到的易混語(yǔ)音數(shù)據(jù)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)，對(duì)第二個(gè)DNN模進(jìn)行訓(xùn)練，模型參數(shù)包括相鄰兩層的連接權(quán)重和每個(gè)節(jié)點(diǎn)的偏置；先進(jìn)行非監(jiān)督訓(xùn)練再進(jìn)行監(jiān)督訓(xùn)練：非監(jiān)督訓(xùn)練時(shí)把第二個(gè)DNN模型中每相鄰的兩層當(dāng)成一個(gè)受限玻爾茲曼機(jī)，用對(duì)比散度(CD)算法依次訓(xùn)練所有的受限玻爾茲曼機(jī)，得到第二個(gè)DNN模型參數(shù)的初始值；進(jìn)行監(jiān)督訓(xùn)練時(shí)，使用非監(jiān)督訓(xùn)練得到的第二個(gè)DNN模型參數(shù)的初始值，利用后向傳播算法對(duì)第二個(gè)DNN模型參數(shù)進(jìn)行精確調(diào)整，最后得到第二個(gè)DNN模型參數(shù)；

2)說(shuō)話人識(shí)別階段，具體包括以下步驟：

2-1)獲取所需識(shí)別的說(shuō)話人中的某一個(gè)人的待識(shí)別語(yǔ)音數(shù)據(jù)，對(duì)待識(shí)別的語(yǔ)音數(shù)據(jù)進(jìn)行預(yù)處理，提取待識(shí)別語(yǔ)音數(shù)據(jù)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)，共60維；

2-2)將步驟2-1)得到待識(shí)別語(yǔ)音數(shù)據(jù)的60維的特征輸入到步驟1-2)得到的第一個(gè)DNN模型中進(jìn)行識(shí)別，輸出層輸出待識(shí)別語(yǔ)音數(shù)據(jù)的識(shí)別結(jié)果，即該條語(yǔ)音數(shù)據(jù)分別對(duì)應(yīng)訓(xùn)練語(yǔ)音數(shù)據(jù)中每個(gè)說(shuō)話人的概率，輸出層每個(gè)節(jié)點(diǎn)的輸出分別對(duì)應(yīng)一個(gè)說(shuō)話人的概率；

2-3)設(shè)置判定閾值，判斷步驟2-2)的識(shí)別結(jié)果中是否存在概率大于判定閾值的結(jié)果：若有，則第一個(gè)DNN模型識(shí)別結(jié)果中輸出概率最大值所對(duì)應(yīng)的說(shuō)話人即為該條待識(shí)別語(yǔ)音數(shù)據(jù)的說(shuō)話人，識(shí)別結(jié)束；若沒(méi)有，則轉(zhuǎn)入步驟2-4)；

2-4)若步驟2-3)的識(shí)別結(jié)果中沒(méi)有概率大于判定閾值的結(jié)果，則對(duì)該條待識(shí)別語(yǔ)音數(shù)據(jù)使用第二個(gè)DNN模型進(jìn)行第二次識(shí)別；第二個(gè)DNN模型識(shí)別結(jié)果中輸出概率最大值所對(duì)應(yīng)的說(shuō)話人即為該條待識(shí)別語(yǔ)音數(shù)據(jù)的說(shuō)話人，識(shí)別結(jié)束。

下面結(jié)合一個(gè)具體實(shí)施例對(duì)本發(fā)明方法進(jìn)一步詳細(xì)說(shuō)明如下。值得說(shuō)明的是，下文所描述的實(shí)施例僅僅是本發(fā)明的一個(gè)實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有付出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

該實(shí)施例中需要識(shí)別800個(gè)說(shuō)話人，具體步驟如下：

1)模型訓(xùn)練階段，具體包括以下步驟：

1-1)獲取所需識(shí)別的800個(gè)說(shuō)話人的訓(xùn)練語(yǔ)音數(shù)據(jù)，且每條訓(xùn)練語(yǔ)音數(shù)據(jù)所對(duì)應(yīng)的說(shuō)話人為已知的，獲取方式為電話錄音；對(duì)獲取的訓(xùn)練語(yǔ)音數(shù)據(jù)(即電話錄音)進(jìn)行預(yù)處理，提取所有訓(xùn)練語(yǔ)音數(shù)據(jù)對(duì)應(yīng)的梅爾倒譜特征，并計(jì)算梅爾倒譜特征的一階、二階導(dǎo)數(shù)，共60維；

1-2)建立第一個(gè)DNN模型并進(jìn)行訓(xùn)練，具體包括以下步驟：

1-2-1)設(shè)置第一個(gè)DNN模型的層數(shù)和節(jié)點(diǎn)數(shù)；

第一個(gè)DNN模型結(jié)構(gòu)如圖2所示：第一個(gè)DNN模型總共有7層，第1層為輸入層，第2-6層為隱含層(共5層隱含層)，第7層為輸出層。其中交叉線表示節(jié)點(diǎn)的連接關(guān)系，第一個(gè)DNN模型相鄰兩層的節(jié)點(diǎn)之間是全連接的，而每個(gè)層內(nèi)的節(jié)點(diǎn)之間是無(wú)連接的。第一個(gè)DNN模型的輸入層對(duì)應(yīng)訓(xùn)練語(yǔ)音數(shù)據(jù)的特征，本實(shí)施例為步驟1-1)得到的訓(xùn)練語(yǔ)音數(shù)據(jù)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)，共60維，則輸入層節(jié)點(diǎn)數(shù)設(shè)置為N₁＝60個(gè)；輸出層對(duì)應(yīng)各個(gè)說(shuō)話人的概率，輸出層的節(jié)點(diǎn)數(shù)等于所需識(shí)別的說(shuō)話人個(gè)數(shù)，為N₇＝800個(gè)，每個(gè)節(jié)點(diǎn)輸出分別對(duì)應(yīng)每個(gè)說(shuō)話人的概率；隱含層主要用于自動(dòng)提取不同層次的特征，本實(shí)施例隱含層層數(shù)設(shè)置為5層(一般設(shè)置為3-5層)，隱含層所提的特征從第2層的低級(jí)抽象逐漸向第6層的高級(jí)抽象過(guò)渡。每層隱含層的節(jié)點(diǎn)數(shù)代表該層隱含層提取的特征的維度，本實(shí)施例中中間位置的隱含層(即第4層)的節(jié)點(diǎn)數(shù)設(shè)置為N₄＝400個(gè)(一般設(shè)置為300-500個(gè))，其余隱含層的節(jié)點(diǎn)數(shù)N₂、N₃、N₅和N₆設(shè)置為1024個(gè)(一般設(shè)置為1000-2000個(gè)。

1-2-2)對(duì)第一個(gè)DNN模型進(jìn)行訓(xùn)練，得到第一個(gè)DNN模型參數(shù)；

根據(jù)800個(gè)待識(shí)別的說(shuō)話人的訓(xùn)練語(yǔ)音數(shù)據(jù)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)，對(duì)第一個(gè)DNN模進(jìn)行訓(xùn)練，模型參數(shù)包括相鄰兩層的連接權(quán)重：

其中，W_i,i+1為N_i行N_i+1列的矩陣，其中表示第一個(gè)DNN模型第i層中第m個(gè)節(jié)點(diǎn)和第i+1層中第n個(gè)節(jié)點(diǎn)的連接權(quán)重。

每個(gè)節(jié)點(diǎn)的偏置：

其中，表示第一個(gè)DNN模型第j層中第k個(gè)節(jié)點(diǎn)的偏置。

先進(jìn)行非監(jiān)督訓(xùn)練再進(jìn)行監(jiān)督訓(xùn)練。非監(jiān)督訓(xùn)練時(shí)把第一個(gè)DNN模型中每相鄰的兩層，即圖2中的第1層和第2層、第2層和第3層、……、第6層和第7層，當(dāng)成一個(gè)受限玻爾茲曼機(jī)，共有6個(gè)受限玻爾茲曼機(jī)。用對(duì)比散度(CD)算法逐個(gè)進(jìn)行訓(xùn)練，即先訓(xùn)練第1層和第2層組成的受限玻爾茲曼機(jī)，得到第一個(gè)DNN模型參數(shù)中的B₁、B₂、W₁₂；接著訓(xùn)練第2層和第3層組成的受限玻爾茲曼機(jī)，得到第一個(gè)DNN模型參數(shù)中的B₃、W₂₃；依次訓(xùn)練所有的受限玻爾茲曼機(jī)，得到第一個(gè)DNN模型參數(shù)的初始值；進(jìn)行監(jiān)督訓(xùn)練時(shí)，使用非監(jiān)督訓(xùn)練得到的第一個(gè)DNN模型參數(shù)的初始值，利用后向傳播算法對(duì)第一個(gè)DNN模型參數(shù)進(jìn)行精確調(diào)整，最后得到第一個(gè)DNN模型參數(shù)。

1-3)提取易混語(yǔ)音數(shù)據(jù)；

根據(jù)步驟1-2)訓(xùn)練得到的第一個(gè)DNN模型，對(duì)800個(gè)說(shuō)話人的所有訓(xùn)練語(yǔ)音數(shù)據(jù)進(jìn)行識(shí)別。設(shè)定閾值為0.85(一般設(shè)置為0.7-0.9)。如果一條訓(xùn)練語(yǔ)音數(shù)據(jù)的識(shí)別結(jié)果中該條訓(xùn)練語(yǔ)音數(shù)據(jù)對(duì)應(yīng)的說(shuō)話人的概率小于設(shè)定的閾值，則說(shuō)明該條訓(xùn)練語(yǔ)音數(shù)據(jù)識(shí)別結(jié)果區(qū)分性不好，將此條訓(xùn)練語(yǔ)音數(shù)據(jù)作為易混語(yǔ)音數(shù)據(jù)，用于第二個(gè)DNN模型的訓(xùn)練；若識(shí)別結(jié)果大于等于設(shè)定的閾值，則說(shuō)明該條訓(xùn)練語(yǔ)音數(shù)據(jù)易于區(qū)分，不作為易混語(yǔ)音數(shù)據(jù)；

1-4)建立第二個(gè)DNN模型并進(jìn)行訓(xùn)練，具體包括以下步驟：

1-4-1)設(shè)置第二個(gè)DNN模型的層數(shù)和節(jié)點(diǎn)數(shù)；

第二個(gè)DNN模型結(jié)構(gòu)如圖3所示：第二個(gè)DNN模型總共有5層，第1層為輸入層，第2-4層為隱含層(共3層隱含層)，第5層為輸出層。其中交叉線表示節(jié)點(diǎn)的連接關(guān)系，第二個(gè)DNN模型相鄰兩層的節(jié)點(diǎn)之間是全連接的，而每個(gè)層內(nèi)的節(jié)點(diǎn)之間是無(wú)連接的。第二個(gè)DNN模型的輸入層對(duì)應(yīng)語(yǔ)音數(shù)據(jù)的特征，本實(shí)施例為步驟1-3)提取的易混語(yǔ)音數(shù)據(jù)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)，共60維，則第二個(gè)DNN模型輸入層節(jié)點(diǎn)個(gè)數(shù)設(shè)置為N₁＝60；輸出層對(duì)應(yīng)各個(gè)說(shuō)話人的概率，輸出層的節(jié)點(diǎn)數(shù)為易混語(yǔ)音數(shù)據(jù)中所包含的說(shuō)話人個(gè)數(shù)，此實(shí)施例中也為800個(gè)；，由于訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的說(shuō)話人是已知的，而易混語(yǔ)音數(shù)據(jù)又是從訓(xùn)練數(shù)據(jù)中提取出來(lái)的，所以我們可以知道每幀易混語(yǔ)音數(shù)據(jù)對(duì)應(yīng)的說(shuō)話人，從而可以計(jì)算易混語(yǔ)音數(shù)據(jù)中總的說(shuō)話人個(gè)數(shù)。隱含層的層數(shù)設(shè)置為3層(一般設(shè)置為3-5層)，中間位置的隱含層(即第3層)的節(jié)點(diǎn)個(gè)數(shù)設(shè)置為N₃＝300(一般設(shè)置為300-500個(gè))，其余隱含層的節(jié)點(diǎn)數(shù)N₂,N₄設(shè)置為1024個(gè)(一般設(shè)置為1000-2000)。

1-4-2)對(duì)第二個(gè)DNN模型進(jìn)行訓(xùn)練，得到模型參數(shù)；

根據(jù)步驟1-3)得到的易混語(yǔ)音數(shù)據(jù)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)，對(duì)第二個(gè)DNN模進(jìn)行訓(xùn)練。第二個(gè)DNN模型的參數(shù)包括相鄰兩層的連接權(quán)重W_i,i+1(i＝1,…,4)和每個(gè)節(jié)點(diǎn)的偏置B_j(j＝1,…,5)。先進(jìn)行非監(jiān)督訓(xùn)練再進(jìn)行監(jiān)督訓(xùn)練。非監(jiān)督訓(xùn)練時(shí)把第二個(gè)DNN模型中每相鄰的兩層，即圖3中的第1層和第2層、第2層和第3層、……、第4層和第5層，當(dāng)成一個(gè)受限玻爾茲曼機(jī)，共4個(gè)受限玻爾茲曼機(jī)，用對(duì)比散度(CD)算法逐層進(jìn)行訓(xùn)練，即先訓(xùn)練第1層和第2層組成的受限玻爾茲曼機(jī)，得到第二個(gè)DNN模型參數(shù)中的B₁、B₂、W₁₂；接著訓(xùn)練第2層和第3層組成的受限玻爾茲曼機(jī)，得到第二個(gè)DNN模型參數(shù)中的B₃、W₂₃；依次訓(xùn)練所有的受限玻爾茲曼機(jī)，得到第二個(gè)DNN模型參數(shù)的初始值。進(jìn)行監(jiān)督訓(xùn)練時(shí)，使用非監(jiān)督訓(xùn)練得到的第二個(gè)DNN模型參數(shù)的初始值，利用后向傳播算法對(duì)第二個(gè)DNN模型參數(shù)進(jìn)行精確調(diào)整，最后得到第二個(gè)DNN模型參數(shù)。

上述步驟為模型訓(xùn)練階段，得到兩個(gè)DNN模型后即可進(jìn)行說(shuō)話人識(shí)別；

2)說(shuō)話人識(shí)別階段，具體包括以下步驟：

2-1)獲取所需識(shí)別的800個(gè)說(shuō)話人中的某一個(gè)人的待識(shí)別語(yǔ)音數(shù)據(jù)，待識(shí)別語(yǔ)音數(shù)據(jù)也通過(guò)電話錄音得到，但該語(yǔ)音數(shù)據(jù)對(duì)應(yīng)的說(shuō)話人未知，需要通過(guò)本發(fā)明提出的方法對(duì)說(shuō)話人進(jìn)行識(shí)別。待識(shí)別語(yǔ)音數(shù)據(jù)與訓(xùn)練語(yǔ)音數(shù)據(jù)是不同的語(yǔ)音。對(duì)待識(shí)別的語(yǔ)音數(shù)據(jù)進(jìn)行預(yù)處理，提取待識(shí)別語(yǔ)音數(shù)據(jù)的梅爾倒譜特征及其一階、二階導(dǎo)數(shù)，共60維。

2-2)將步驟2-1)得到待識(shí)別語(yǔ)音數(shù)據(jù)的60維的特征輸入到第一個(gè)DNN模型中進(jìn)行識(shí)別，輸出層輸出待識(shí)別語(yǔ)音數(shù)據(jù)的識(shí)別結(jié)果，即該條語(yǔ)音數(shù)據(jù)分別對(duì)應(yīng)這800個(gè)人的概率，輸出層每個(gè)節(jié)點(diǎn)的輸出分別對(duì)應(yīng)每個(gè)說(shuō)話人的概率，共800個(gè)。

2-3)設(shè)置判定閾值，判斷識(shí)別結(jié)果中的800個(gè)概率是否有大于閾值0.85的結(jié)果：如果有，則將這個(gè)概率所對(duì)應(yīng)的說(shuō)話人判斷為該條待識(shí)別語(yǔ)音數(shù)據(jù)的說(shuō)話人，識(shí)別結(jié)束；否則轉(zhuǎn)入步驟2-4)；

2-4)如果步驟2-3)的識(shí)別結(jié)果中沒(méi)有概率大于判定閾值0.85的，則對(duì)該條待識(shí)別的語(yǔ)音數(shù)據(jù)使用第二個(gè)DNN模型進(jìn)行第二次識(shí)別；根據(jù)第二個(gè)DNN模型的識(shí)別結(jié)果，輸出概率最大值所對(duì)應(yīng)的說(shuō)話人即判斷為該條待測(cè)語(yǔ)音數(shù)據(jù)的說(shuō)話人，識(shí)別結(jié)束。

本發(fā)明所述方法，本領(lǐng)域普通技術(shù)人員可以理解為，上述說(shuō)話人識(shí)別的方法可以通過(guò)程序來(lái)完成的，所述的程序可以存儲(chǔ)于一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中。

以上所述的僅為本發(fā)明的一個(gè)具體實(shí)施例而已，顯然不能以此來(lái)限定本發(fā)明之權(quán)利范圍，因此依本發(fā)明權(quán)利要求所作的等同變化，仍屬本發(fā)明所涵蓋的范圍。