崔 潇， 夏秀渝

（四川大学 电子信息学院， 成都 610065）

0 引 言

近年来，说话人识别的研究获得了迅速发展，在军事、信息安全和通信等领域都有广泛应用［1］。 在现实环境中，由于噪声的存在，导致说话人系统的识别率显著下降。 因此如何提高系统在噪声环境下的识别性能成为研究热点。

在特征提取方面，常用的说话人识别特征有梅尔频率倒谱系数（Mel Frequency Cepstral Coefficient，MFCC）［2］、线性预测倒谱系数（Linear Prediction Cepstral，LPCC）［3］等。 通过对Gammatone 滤波器的研究，Chen 等人［4］提出多分辨率耳蜗图（Multiresolution cochleagram，MRCG），相较于MFCC 和LPCC 特征，则具有更好的抗噪性能。

随着机器学习算法的发展，神经网络被用于说话人识别中，杨瑶等人［5］使用误差反向传播（Back Propagation，BP）网络进行文本无关的说话人识别研究。 盖晁旭［6］利用稀疏（Sparse Autoencoder，SA）提取说话人特征进行说话人识别，循环神经网络（Recurrent Neural Networks，RNN）具有记忆功能，处理时序数据的能力较强。 目前， Hochreiter 和Schmidhuber 提出的长短时记忆网络［7］（Long Short Term Memory，LSTM）是应用最广泛的RNN 网络之一。 LSTM 网络在处理时间范围较大的信息时具有更好的性能，被用于语种识别［8］、语音识别［9］、音素分类［10］、唇语识别［11］等多个领域中。

本文构建了基于MRACC 特征的说话人识别系统。 在噪声环境下，首先使用文中提出的改进型谱减法完成语音的预降噪处理，接着提取基于多分辨率耳蜗图的MRACC 特征，最后将特征参数输入到LSTM 网络中实现模型的训练与匹配，通过实验验证了本文提出的说话人识别方法的有效性。

1 说话人识别系统

本文的说话人识别系统框图如图1 所示。 主要包含预处理、特征提取、模型训练、模型匹配和决策判决五个模块。……