1、“.....关键词说话人识别特征提取说话人建模中图分类号文献标识码文章编号概述说话人识别技术是种探索人类身份的种生物识别技术，每个人说话时使用的发音器官例如口头牙齿声带喉咙和鼻腔等不管在形态还是在尺寸上或多或少都会有所差异，因而导致了每个说话人的发音也各不相同。按照不同的分类角度分类，说话人识别大致分为以下几类。线性预测倒谱系数是模拟声道的效应，把声道冲击和声门激励分离开来，并利用线性预测原理，将个语音信号用过去若干个采样的线性组合来表示。说话人识别研究现状论文原稿等的运用也使得说话人识别系统性能有了较大程度的提高。由建模思想得到启示，等人提出了基于总体变化因子向量的说话人建模方法，这是该研究领域的前沿主流技术......”。

2、“.....说话人识别作为当前最热门的生物特征识别技术之，在远示说话人按照该文本进行发音录制，由于其实现简单安全性高，成为目前说话人识别技术的大热点。说话人识别的研究现状从说话人识别的发展来看，十世纪十年代和技术的出现对当时识别性能有了较大提升，而十年代应用到说话人识别中去的人工神经网络隐马尔可夫模型和直沿用至今并且直被优化改进。到十年于目标说话人模型集合中的哪个人，是个多元判别的问题而说话人确认是确定待测试语音是否来自其所声称的说话人，是个元判决的问题。对于说话人辨认来说，由测试来自不同说话人的范围，说话人的辨认又可以开集识别和闭集识别。从待识别语音对应的文本角度分类......”。

3、“.....文本无动态时间规整法考虑到说话人信息具有时变因素，可以把识别模板与参考模板进行时间对比，依据种距离的测度求出两个模板之间的相似度，现在对的使用已经不多。矢量量化法从说话人的语音信号中提取到的特征，通常是多维矢量的时间序列。矢量量化模型就是从这些矢量中筛选出少数代表性的矢量而构建的模型。寻找代主要的有独立量分析法主成分分析法和线性判别分析法。其中，能更好的去除噪声，在提取时将代替对信号求取频谱，得到的特征参数对非高斯噪声信号的识别效果更好而的降维效果更好同时也能保证说话人识别性能，是降低计算复杂度的方法最后计算得到的特征是比得到的更具有噪是由说话人的语音特征经过种运算直接得到的，典型的非参数模型包括动态时间规整法矢量量化法和模板匹配方法......”。

4、“.....优点是可以节约对判决的时间和空间开销，缺点是在训练时的计算量比较大。所以近年来对隐马尔可夫模型在说话人识别领域的研究热度有所下降，这也能可能是退出前沿历高斯混合模型等。说话人识别研究现状论文原稿。另外，研究者们为提高说话人识别系统的性能，提出了许多以降低特征维数和计算复杂度为目的的对特征进行变换的方法，其中主要的有独立量分析法主成分分析法和线性判别分析法。其中，能更好的去除噪声，在提取时将代替对信号求取频谱，得到的提高。由建模思想得到启示，等人提出了基于总体变化因子向量的说话人建模方法，这是该研究领域的前沿主流技术。动态时间规整法考虑到说话人信息具有时变因素，可以把识别模板与参考模板进行时间对比，依据种距离的测度求出两个模板之间的相似度......”。

5、“.....矢量量化说话人识别研究现状论文原稿声鲁棒性而得到应用的。说话人建模目前较为普遍使用的是非参数模型参数模型人工神经网络模型和支持向量机。非参数模型非参数模型是指说话人模型是由说话人的语音特征经过种运算直接得到的，典型的非参数模型包括动态时间规整法矢量量化法和模板匹配方法。说话人识别研究现状论文原稿。，并以超向量作为说话人的最终特征参数进行仿真实验。在短语音和两种噪声环境中，这种基于多核的短语音说话人识别算法较算法能得到更好的识别性能和鲁棒性。另外，研究者们为提高说话人识别系统的性能，提出了许多以降低特征维数和计算复杂度为目的的对特征进行变换的方法，其中，成为目前说话人识别技术的大热点。说话人识别的研究现状从说话人识别的发展来看......”。

6、“.....而十年代应用到说话人识别中去的人工神经网络隐马尔可夫模型和直沿用至今并且直被优化改进。到十年代以及以其简单灵活鲁棒性强的特点，在史舞台的征兆。高斯混合模型高斯混合模型是种统计模型，它能够较好的描述参数空间中训练数据的特性及其空间分布，它也可以表示成多个高斯概率密度函数加权和的形式。在近年的研究中，有学者运用多个核函数的线性组合构造多核空間，在多核空间上设计了基于支持向量机的说话人分类器，实现短语音说话人识别。算法中结合的特征参数对非高斯噪声信号的识别效果更好而的降维效果更好同时也能保证说话人识别性能，是降低计算复杂度的方法最后计算得到的特征是比得到的更具有噪声鲁棒性而得到应用的......”。

7、“.....非参数模型非参数模型是指说话人模型法从说话人的语音信号中提取到的特征，通常是多维矢量的时间序列。矢量量化模型就是从这些矢量中筛选出少数代表性的矢量而构建的模型。寻找代表矢量是个矢量聚类问题，能通过聚类等算法进行实现。常用的矢量量化法有群分法和学习向量量化法。参数模型说话人识别中常用的参数模型有隐马尔可夫模型高斯模型话人识别中被广为使用，到现在也是这个领域最重要的建模技术之，与此同时，的建模技术也被引入说话人识别中。进入十世纪后，联合因子分析技术和扰动属性干扰算法的提出使得说话人识别在复杂背景条件下也能取得较好的效果。另外......”。

8、“.....在训练和识别时说话人可以随意录制语音内容只需达到定的长度即可文本相关是指说话人识别系统会要求说话人必须按照指定的文本进行发音录制而对于文本提示型说话人识别系统，是结合之前两者的优点，系统需要从说话人训练文本库随机提取些字或词汇组合后提示说话人按照该文本进行发音录制，由于其实现简单安全性高舌头牙齿声带喉咙和鼻腔等不管在形态还是在尺寸上或多或少都会有所差异，因而导致了每个说话人的发音也各不相同。按照不同的分类角度分类，说话人识别大致分为以下几类。从实际应用的范围角度分，可以分为说话人辨认和说话人确认。前者是指判定待测试语音属于目标说话人模型集合中的哪个人，是个多元判别的问题而说话般与其他特征参数进行组合研究，很少单独出现......”。

9、“.....在标度频率域提取的种倒谱参数，其充分利用了人耳的感知特性使得该特征具有较好的鲁棒性。摘要说话人识别技术在我们日常生活中已经得到了广泛的应用，说话人识别作为当前最热门的生物特征识别技术之，在程认证等领域有着独特的优势，受到了越来越多的关注。本文从说话人识别的特征提取和说话人建模两部分展开，对说话人识别的研究现状和技术进展进行了阐述。关键词说话人识别特征提取说话人建模中图分类号文献标识码文章编号概述说话人识别技术是种探索人类身份的种生物识别技术，每个人说话时使用的发音器官例如口腔代以及以其简单灵活鲁棒性强的特点，在说话人识别中被广为使用，到现在也是这个领域最重要的建模技术之，与此同时，的建模技术也被引入说话人识别中。进入十世纪后......”。