本發(fā)明涉及聲紋識(shí)別，特別是基于ai大模型的個(gè)人聲紋識(shí)別及環(huán)境噪音過(guò)濾系統(tǒng)。

背景技術(shù)：

1、聲紋識(shí)別技術(shù)作為生物識(shí)別技術(shù)的一個(gè)重要分支，近年來(lái)隨著機(jī)器學(xué)習(xí)和人工智能技術(shù)的迅猛發(fā)展得到了顯著的推動(dòng)，隨著深度學(xué)習(xí)技術(shù)的興起，基于卷積神經(jīng)網(wǎng)絡(luò)(cnn)、循環(huán)神經(jīng)網(wǎng)絡(luò)(rnn)和長(zhǎng)短期記憶網(wǎng)絡(luò)(lstm)的聲紋識(shí)別模型逐漸成為研究的熱點(diǎn)；

2、盡管深度學(xué)習(xí)模型在聲紋識(shí)別領(lǐng)域取得了突破，現(xiàn)有技術(shù)在實(shí)際應(yīng)用中仍面臨一些的挑戰(zhàn)，其中在當(dāng)前的聲紋識(shí)別技術(shù)中，大部分系統(tǒng)采用的是標(biāo)準(zhǔn)化的一般性模型，這些模型在設(shè)計(jì)時(shí)往往以處理廣泛的情況和通用環(huán)境為目標(biāo)，而非針對(duì)特定個(gè)體的聲音特性進(jìn)行優(yōu)化，這種方法在普遍情況下可能表現(xiàn)良好，但在需要高度個(gè)性化的應(yīng)用場(chǎng)景中，如個(gè)人設(shè)備的安全驗(yàn)證或定制化服務(wù)，可能無(wú)法提供最佳的用戶(hù)體驗(yàn)。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述現(xiàn)有的基于ai大模型的個(gè)人聲紋識(shí)別及環(huán)境噪音過(guò)濾系統(tǒng)中存在的問(wèn)題，提出了本發(fā)明。

2、因此，本發(fā)明所要解決的問(wèn)題在于大部分系統(tǒng)采用的是標(biāo)準(zhǔn)化的一般性模型，這些模型在設(shè)計(jì)時(shí)往往以處理廣泛的情況和通用環(huán)境為目標(biāo)，而非針對(duì)特定個(gè)體的聲音特性進(jìn)行優(yōu)化，這種方法在普遍情況下可能表現(xiàn)良好，但在需要高度個(gè)性化的應(yīng)用場(chǎng)景中，如個(gè)人設(shè)備的安全驗(yàn)證或定制化服務(wù)，可能無(wú)法提供最佳的用戶(hù)體驗(yàn)。

3、為解決上述技術(shù)問(wèn)題，本發(fā)明提供如下技術(shù)方案：基于ai大模型的個(gè)人聲紋識(shí)別及環(huán)境噪音過(guò)濾系統(tǒng)，其包括，聲紋數(shù)據(jù)采集模塊，采集聲紋信號(hào)；

4、聲紋數(shù)據(jù)處理模塊，使用模糊邏輯處理算法對(duì)聲紋信號(hào)進(jìn)行預(yù)處理；

5、深度學(xué)習(xí)模型構(gòu)建與訓(xùn)練模塊，從預(yù)處理聲紋信號(hào)中提取聲紋特征，構(gòu)建深度學(xué)習(xí)模型，對(duì)模型進(jìn)行訓(xùn)練；

6、模型微調(diào)與個(gè)性化模塊，采集個(gè)人聲紋數(shù)據(jù)對(duì)基礎(chǔ)模型進(jìn)行模型微調(diào)；

7、動(dòng)態(tài)噪音過(guò)濾策略模塊，基于個(gè)人聲紋數(shù)據(jù)動(dòng)態(tài)調(diào)整噪音過(guò)濾策略。

8、作為本發(fā)明所述基于ai大模型的個(gè)人聲紋識(shí)別及環(huán)境噪音過(guò)濾系統(tǒng)的一種優(yōu)選方案，其中：所述采集聲紋信號(hào)包括在不同環(huán)境中使用設(shè)備采集聲紋樣本，使用的設(shè)備包括專(zhuān)業(yè)麥克風(fēng)、智能手機(jī)和智能穿戴設(shè)備。

9、作為本發(fā)明所述基于ai大模型的個(gè)人聲紋識(shí)別及環(huán)境噪音過(guò)濾系統(tǒng)的一種優(yōu)選方案，其中：所述使用模糊邏輯處理算法對(duì)聲紋信號(hào)進(jìn)行預(yù)處理包括，使用傅里葉變換將采集的時(shí)域聲紋信號(hào)轉(zhuǎn)換到頻域信號(hào)：

10、

11、其中s(t)表示原始的時(shí)域聲紋信號(hào)，t表示時(shí)間，i是虛數(shù)單位，f表示頻率，s(f)表示聲紋信號(hào)的頻域信號(hào)；

12、應(yīng)用高斯濾波器g(f)去除高頻噪聲：

13、

14、其中f0是高斯濾波器的中心頻率，σ是控制濾波器寬度的標(biāo)準(zhǔn)偏差；

15、設(shè)計(jì)模糊邏輯權(quán)重函數(shù)，根據(jù)實(shí)時(shí)噪聲環(huán)境和信號(hào)質(zhì)量改變頻率響應(yīng)：

16、

17、其中k是調(diào)節(jié)模糊邏輯控制器的斜率，c是偏移量，μ(f)表示模糊邏輯權(quán)重；

18、將原始頻域信號(hào)s(f)通過(guò)高斯濾波器g(f)和模糊邏輯權(quán)重μ(f)的影響進(jìn)行綜合處理；

19、s′(f)＝s(f)·g(f)·μ(f)

20、進(jìn)行反傅里葉變換將處理后的頻域信號(hào)變換為處理后的時(shí)域信號(hào)：

21、

22、作為本發(fā)明所述基于ai大模型的個(gè)人聲紋識(shí)別及環(huán)境噪音過(guò)濾系統(tǒng)的一種優(yōu)選方案，其中：所述從預(yù)處理聲紋信號(hào)中提取聲紋特征包括，

23、將處理后的時(shí)域信號(hào)s‘(t)分隔成短時(shí)幀，并對(duì)每一幀應(yīng)用漢明窗函數(shù)；

24、sf(t)＝s‘(t)·w(t-τ)

25、其中sf(t)表示應(yīng)用窗函數(shù)后的幀信號(hào)，w(t--τ)是漢明窗函數(shù)，τ是積分變量；

26、對(duì)每一幀信號(hào)使用短時(shí)傅里葉變換stft，將變換的頻域信號(hào)s(f，t)通過(guò)濾波器轉(zhuǎn)換為梅爾頻譜，對(duì)梅爾頻譜應(yīng)用自然對(duì)數(shù)，且執(zhí)行離散余弦變換提取聲紋識(shí)別的特征向量，表示為：

27、s(f，t)＝∫sf(t)e-j2πfτdτ

28、

29、mfcc＝dct(log(mel(s(f，t))))

30、其中mfcc表示聲紋識(shí)別的特征向量，s(f，t)是在時(shí)間t和頻率f處得到的頻譜值，sf(t)是應(yīng)用窗函數(shù)后的幀信號(hào)，j是虛數(shù)單位，mel(s(f，t))表示梅爾頻譜，dct是離散余弦變換，f(n)為第n個(gè)梅爾濾波器處理后的頻率值，hk(f(n))為第k個(gè)梅爾濾波器在頻率f(n)處的響應(yīng)值，n是頻率點(diǎn)的總數(shù)。

31、作為本發(fā)明所述基于ai大模型的個(gè)人聲紋識(shí)別及環(huán)境噪音過(guò)濾系統(tǒng)的一種優(yōu)選方案，其中：所述構(gòu)建深度學(xué)習(xí)模型包括，

32、設(shè)置輸入層、卷積層、循環(huán)層和輸出層；

33、卷積層應(yīng)用濾波器對(duì)輸入特征進(jìn)行卷積，提取特征圖，使用relu函數(shù)，表示為：

34、cl＝relu(wl*x+bl)

35、其中wl是第1層的權(quán)重，bl是第1層的偏置，*表示卷積操作，x表示輸入特征，cl表示第1層的輸出特征圖；

36、循環(huán)層的每個(gè)循環(huán)單元根據(jù)前一時(shí)間步的隱藏狀態(tài)和當(dāng)前輸入更新?tīng)顟B(tài)，表示為：

37、ht＝lstm(ht-1，c1)

38、其中ht表示在時(shí)間t的隱藏狀態(tài)，ht-1為前一時(shí)間步的隱藏狀態(tài)；

39、輸出層使用全連接層將循環(huán)層的輸出映射到類(lèi)別空間，并將線(xiàn)性輸出轉(zhuǎn)換為概率分布，對(duì)應(yīng)不同聲紋類(lèi)別的預(yù)測(cè)概率，表示為：

40、y＝softmax(wo·ht+bo)

41、其中y表示預(yù)測(cè)的概率分布，wo表示輸出層的權(quán)重矩陣，bo表示輸出層的偏置，ht表示循環(huán)層的最后一個(gè)時(shí)間步的輸出。

42、作為本發(fā)明所述基于ai大模型的個(gè)人聲紋識(shí)別及環(huán)境噪音過(guò)濾系統(tǒng)的一種優(yōu)選方案，其中：所述對(duì)模型進(jìn)行訓(xùn)練包括，

43、將采集到的聲紋識(shí)別的特征向量劃分為訓(xùn)練集和驗(yàn)證集；

44、更新一階矩mt和二階矩vt，表示為：

45、mt＝β1mt-1+(1-β1)gt

46、

47、其中g(shù)t是在時(shí)間步t的梯度，β1表示一階矩的指數(shù)衰減率，β2表示二階矩的指數(shù)衰減率；

48、對(duì)模型一階矩mt和二階矩vt進(jìn)行偏差修正，表示為：

49、

50、其中t表示時(shí)間，和均為衰減因子，表示基于梯度的一階矩估計(jì)，表示基于梯度的二階矩估計(jì)；

51、選擇adam優(yōu)化器進(jìn)行模型參數(shù)更新優(yōu)化，表示為：

52、

53、其中θ為模型參數(shù)，θt+1為下一時(shí)間步的參數(shù)值，θt為當(dāng)前時(shí)間步的參數(shù)值，η表示學(xué)習(xí)率，∈為極小的數(shù)；

54、設(shè)置交叉熵?fù)p失函數(shù)，表示為：

55、

56、其中l(wèi)表示損失函數(shù)值，uo，c是一個(gè)二進(jìn)制指示器，表示實(shí)際概率標(biāo)簽，其中c指的是類(lèi)別索引，o表示第o個(gè)樣本，yo，c是模型預(yù)測(cè)的概率，m表示類(lèi)別總數(shù)；

57、將特征向量數(shù)據(jù)輸入到模型，經(jīng)過(guò)每一層的計(jì)算，輸出預(yù)測(cè)結(jié)果，完成前向傳播；

58、使用交叉熵?fù)p失函數(shù)計(jì)算模型輸出和實(shí)際概率標(biāo)簽之間的誤差；

59、應(yīng)用鏈?zhǔn)椒▌t自輸出層反向至輸入層逐層計(jì)算每個(gè)參數(shù)的梯度；

60、使用adam優(yōu)化器得到模型參數(shù)更新每一層；

61、使用模型對(duì)驗(yàn)證集進(jìn)行預(yù)測(cè)，收集模型的預(yù)測(cè)輸出，并與驗(yàn)證集的實(shí)際標(biāo)簽進(jìn)行比較；

62、計(jì)算模型預(yù)測(cè)正確的樣本數(shù)量占總樣本數(shù)量的比例作為準(zhǔn)確率，當(dāng)計(jì)算得到的準(zhǔn)確率達(dá)到設(shè)定目標(biāo)準(zhǔn)確率時(shí)，認(rèn)為模型已經(jīng)達(dá)到預(yù)定的性能標(biāo)準(zhǔn)，完成對(duì)模型進(jìn)行訓(xùn)練，并設(shè)為基礎(chǔ)模型。

63、作為本發(fā)明所述基于ai大模型的個(gè)人聲紋識(shí)別及環(huán)境噪音過(guò)濾系統(tǒng)的一種優(yōu)選方案，其中：所述采集個(gè)人聲紋數(shù)據(jù)對(duì)基礎(chǔ)模型進(jìn)行模型微調(diào)包括，

64、將基礎(chǔ)模型部署到目標(biāo)環(huán)境終端；

65、在目標(biāo)環(huán)境終端中集成實(shí)時(shí)聲紋捕獲與識(shí)別模塊；

66、定期采集目標(biāo)用戶(hù)在不同的環(huán)境下的聲音樣本，并提取個(gè)性化特征向量劃分為更新集dp和驗(yàn)證集dt；

67、建立聲紋模型數(shù)據(jù)庫(kù)，并注冊(cè)用戶(hù)，使用個(gè)性化特征向量進(jìn)行模型微調(diào)，包括，

68、對(duì)個(gè)性化特征進(jìn)行標(biāo)準(zhǔn)化處理：

69、

70、其中xf表示原始的個(gè)性化特征值，ω表示對(duì)應(yīng)個(gè)性化特征的平均值，表示對(duì)應(yīng)個(gè)性化特征的標(biāo)準(zhǔn)差，xn表示標(biāo)準(zhǔn)化后的個(gè)性化特征值；

71、調(diào)整基礎(chǔ)模型的輸出層參數(shù)，保留卷積層，使用收集的更新集dp訓(xùn)練模型，使用如下公式進(jìn)行參數(shù)更新：

72、

73、其中θx是深度學(xué)習(xí)模型的當(dāng)前參數(shù)，κ是學(xué)習(xí)率，是損失梯度；

74、進(jìn)行模型驗(yàn)證，采用交叉驗(yàn)證的方法，在驗(yàn)證集dt上測(cè)試個(gè)性化深度學(xué)習(xí)模型性能；

75、將個(gè)性化用戶(hù)深度學(xué)習(xí)模型以及匹配的特征向量存儲(chǔ)在數(shù)據(jù)庫(kù)中與注冊(cè)用戶(hù)相匹配；

76、目標(biāo)環(huán)境終端在通過(guò)聲紋捕獲與識(shí)別模塊進(jìn)行新的聲紋數(shù)據(jù)采集的過(guò)程中，使用個(gè)性化用戶(hù)深度學(xué)習(xí)模型進(jìn)行個(gè)人聲紋識(shí)別，并在相似度低于設(shè)定目標(biāo)相似度時(shí)，新建注冊(cè)用戶(hù)，且使用新建注冊(cè)用戶(hù)聲紋特征向量重新進(jìn)行基礎(chǔ)模型的微調(diào)和模型驗(yàn)證，并將新建注冊(cè)用戶(hù)的個(gè)性化深度學(xué)習(xí)模型存儲(chǔ)在數(shù)據(jù)庫(kù)中與新建注冊(cè)用戶(hù)匹配。

77、作為本發(fā)明所述基于ai大模型的個(gè)人聲紋識(shí)別及環(huán)境噪音過(guò)濾系統(tǒng)的一種優(yōu)選方案，其中：所述基于個(gè)人聲紋數(shù)據(jù)動(dòng)態(tài)調(diào)整噪音過(guò)濾策略包括，

78、在目標(biāo)環(huán)境終端中集成環(huán)境音頻傳感器和自適應(yīng)濾波器；

79、應(yīng)用環(huán)境音頻傳感器持續(xù)監(jiān)測(cè)周?chē)h(huán)境聲音sa；

80、應(yīng)用快速傅里葉變換fft來(lái)分析聲音信號(hào)中的頻率成分，表示為：

81、fn＝fft(sa)

82、其中sa表示檢測(cè)的環(huán)境聲音，fn表示環(huán)境聲音特征向量，包括了頻率成分的振幅值；

83、選取環(huán)境聲音中特定頻率范圍為噪聲，并設(shè)置振幅閾值，將超過(guò)閾值的頻率振幅視為噪聲特征；

84、進(jìn)行噪聲特征分析，表示為：

85、p(f)＝|fc(f)|2

86、其中f表示頻率，fc(f)表示在頻率f上的噪聲幅度，p(f)表示頻率分量的功率；

87、定義噪聲功率閾值pt，并計(jì)算濾波器調(diào)節(jié)參數(shù)α，表示為：

88、

89、其中ε是調(diào)整系數(shù)，表示當(dāng)前噪聲環(huán)境的平均功率；

90、根據(jù)α值，調(diào)整濾波器增益并應(yīng)用于自適應(yīng)濾波進(jìn)行噪聲過(guò)濾，表示為：

91、h(f)＝exp(-α·p(f))

92、sf＝h(f)·sa(f)

93、其中h(f)表示在頻率f上的濾波器增益，sf表示經(jīng)過(guò)噪聲過(guò)濾后的聲音信號(hào)，sa(f)表示原始環(huán)境聲音信號(hào)的頻率分量。

94、一種計(jì)算機(jī)設(shè)備，包括：存儲(chǔ)器和處理器；所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)基于ai大模型的個(gè)人聲紋識(shí)別及環(huán)境噪音過(guò)濾系統(tǒng)的步驟。

95、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)基于ai大模型的個(gè)人聲紋識(shí)別及環(huán)境噪音過(guò)濾系統(tǒng)的步驟。

96、本發(fā)明有益效果為：通過(guò)聲紋數(shù)據(jù)采集模塊，從經(jīng)過(guò)模糊邏輯預(yù)處理的時(shí)域信號(hào)中提取關(guān)鍵的聲紋特征，并構(gòu)建適應(yīng)這些特征的深度學(xué)習(xí)模型，對(duì)模型進(jìn)行訓(xùn)練，提高了系統(tǒng)對(duì)復(fù)雜或不完整數(shù)據(jù)的處理能力，顯著提高了聲紋識(shí)別的準(zhǔn)確性和系統(tǒng)的整體性能，通過(guò)采集個(gè)人聲紋數(shù)據(jù)并對(duì)已經(jīng)構(gòu)建的深度學(xué)習(xí)模型進(jìn)行微調(diào)，使模型能夠更好地適應(yīng)特定用戶(hù)的聲紋特征，增強(qiáng)了系統(tǒng)對(duì)個(gè)體差異的適應(yīng)能力，從而在具體應(yīng)用中提供更加個(gè)性化的服務(wù)，系統(tǒng)根據(jù)個(gè)人聲紋數(shù)據(jù)和環(huán)境變化動(dòng)態(tài)調(diào)整噪音過(guò)濾策略，通過(guò)實(shí)時(shí)分析環(huán)境噪音和用戶(hù)聲紋，自動(dòng)調(diào)整過(guò)濾參數(shù)增強(qiáng)系統(tǒng)在各種噪聲環(huán)境下的穩(wěn)定性和可靠性。