【正文】 成員private double[] s原序列public double[] fullr自相關(guān)函數(shù)全部的非零值序列public double[] zeror由R（0）開始的自相關(guān)序列類方法AutocorrelationFunction(double[] ss)本類的構(gòu)造方法private void getACF()自相關(guān)序列求解方法FeatureExtractor類的輸入為預(yù)處理模塊的輸出，輸出為所有語(yǔ)音幀的組合特征矢量集。ACFToLPCCoef類的輸入是自相關(guān)序列，輸出是該自相關(guān)序列對(duì)應(yīng)原序列的線性預(yù)測(cè)系數(shù)。AutocorrelationFunction類則對(duì)輸入其中的序列求自相關(guān)。調(diào)用特征提取模塊時(shí)。 特征提取模塊工作流程圖 語(yǔ)音信號(hào)分類決策的設(shè)計(jì)語(yǔ)音信號(hào)分類決策模塊對(duì)特征提取模塊輸出的30維組合特征矢量集作進(jìn)一步的處理。對(duì)于訓(xùn)練語(yǔ)音的特征矢量集，本模塊使用LBG算法，為當(dāng)前說話人生成包含16個(gè)碼字的碼書，并將其存入數(shù)據(jù)庫(kù)中。對(duì)于測(cè)試語(yǔ)音的特征矢量集，本模塊依次為該矢量集求取相對(duì)于數(shù)據(jù)庫(kù)中每個(gè)注冊(cè)用戶碼本的平均量化失真，取其中失真最小的用戶作為識(shí)別結(jié)果。分類決策模塊由DistanceMeasure類（失真測(cè)度類）、CodeBookMaker類（碼本生成類）和JudgeIdentity類（身份判決類）實(shí)現(xiàn)。~。 DistanceMeasure類的具體設(shè)計(jì)類成員private double[] vector1參與比較的第一個(gè)矢量private double[] vector2參與比較的第二個(gè)矢量類方法DistanceMeasure(double[] x, double[] y)本類的構(gòu)造方法public double getEuclideanDistance()歐氏失真測(cè)度方法 CodeBookMaker類的具體設(shè)計(jì)類成員private double[][] codeBook說話人碼本private int featureDimension特征維數(shù)類方法CodeBookMaker(double[][] feature)本類的構(gòu)造方法private double[] getFirstCodeWord(double[][] feature)初始碼本生成方法private double[][] doLBG(double[][] feature)LBG算法private void saveCodeBook(double[][] cb)碼本保存方法 JudgeIdentity類的具體設(shè)計(jì)類成員private int userNum數(shù)據(jù)庫(kù)中注冊(cè)用戶的數(shù)量private int codeWordNum每個(gè)碼本的碼字?jǐn)?shù)private int codeWordDimension每個(gè)碼本的維數(shù)private String userName[]數(shù)據(jù)庫(kù)中所有注冊(cè)用戶的姓名private double codeBook[][][]數(shù)據(jù)庫(kù)中所有注冊(cè)用戶的碼本集類方法JudgeIdentity(double[][] feature)本類的構(gòu)造方法private void getCodeBook()注冊(cè)用戶碼本集讀取方法private void doJudgement(double[][] feature)判別實(shí)現(xiàn)方法DistanceMeasure類為輸入其中的兩個(gè)同維矢量求取歐氏失真。CodeBookMaker類為輸入其中的訓(xùn)練語(yǔ)音特征矢量集求取最佳碼本，并將其保存在數(shù)據(jù)庫(kù)相應(yīng)用戶的表中。JudgeIdentity類的輸入為測(cè)試語(yǔ)音特征矢量集和數(shù)據(jù)庫(kù)中所有注冊(cè)用戶的碼本集，輸出為最終識(shí)別結(jié)果。調(diào)用分類決策模塊時(shí)。 分類決策模塊工作流程圖 本章小結(jié)本文使用Java語(yǔ)音編寫代碼，使用面向?qū)ο蟮姆椒ㄍ瓿上到y(tǒng)的設(shè)計(jì)。整個(gè)系統(tǒng)共包含11個(gè)類，4大核心模塊。系統(tǒng)根據(jù)用戶的不同事件消息調(diào)用不同的模塊，從而最終實(shí)現(xiàn)說話人識(shí)別的功能。6 本文設(shè)計(jì)系統(tǒng)的總結(jié)與分析本文設(shè)計(jì)的系統(tǒng)實(shí)現(xiàn)了與文本無(wú)關(guān)說話人辨認(rèn)的功能。 系統(tǒng)界面及使用效果本系統(tǒng)的界面由Java Swing組件設(shè)計(jì)完成。 系統(tǒng)界面“預(yù)處理按鈕”執(zhí)行語(yǔ)音信號(hào)的預(yù)處理操作。、“說話人”語(yǔ)句在預(yù)處理前后的波形圖。 “說話人”語(yǔ)句預(yù)處理前波形圖 “說話人”語(yǔ)句預(yù)處理后波形圖“訓(xùn)練”按鈕執(zhí)行用戶注冊(cè)功能，即為當(dāng)前用戶生成最佳碼本，并存入數(shù)據(jù)庫(kù)中。、“說話人”語(yǔ)句進(jìn)行注冊(cè)時(shí)的效果圖。 用戶使用“說話人”語(yǔ)句的注冊(cè)時(shí)的用戶姓名輸入 用戶使用“說話人”語(yǔ)句的注冊(cè)時(shí)的注冊(cè)成功效果圖重復(fù)以上步驟，完成多個(gè)用戶注冊(cè)之后，其中用戶類型的表即為用戶碼本表，表名為用戶名。 用戶碼本庫(kù)得到碼本庫(kù)，再次執(zhí)行“錄音”，“預(yù)處理”后，即可執(zhí)行“識(shí)別”操作來(lái)判別身份。、“模式識(shí)別”語(yǔ)句進(jìn)行識(shí)別時(shí)的效果圖。 第一個(gè)用戶使用“模式識(shí)別”語(yǔ)句的識(shí)別效果圖 第二個(gè)用戶使用“模式識(shí)別”語(yǔ)句的識(shí)別效果圖 兩個(gè)關(guān)鍵問題的論述本文系統(tǒng)實(shí)現(xiàn)的過程中，遇到過許多問題。其中，最關(guān)鍵的有兩個(gè)。一個(gè)是語(yǔ)音信號(hào)的預(yù)加重問題，另一個(gè)是線性預(yù)測(cè)分析的適用性問題。 預(yù)加重問題由于語(yǔ)音信號(hào)受聲門激勵(lì)和口鼻輻射的影響，高頻端大約在800Hz以上按6dB/倍頻程跌落，即6dB/oct（2倍頻）或20dB/dec（10倍頻）。因此，通常在語(yǔ)音信號(hào)的預(yù)處理過程中有一個(gè)預(yù)加重過程。預(yù)加重就是在參數(shù)分析之前讓信號(hào)通過一個(gè)具有6dB/倍頻程的提升高頻特性的預(yù)加重?cái)?shù)字濾波器，它一般是一階數(shù)字濾波器[1]： （61）對(duì)于具體的輸入即為： （62）其中是輸入信號(hào)，稱為預(yù)加重系數(shù)，接近于1。若單從頻域考慮，由式61的波特圖可知，該濾波器的確按照20dB/ 10倍頻的速率提升了信號(hào)的高頻部分。但是仔細(xì)考慮式62會(huì)發(fā)現(xiàn)，經(jīng)過預(yù)加重的信號(hào)已經(jīng)不能再準(zhǔn)確反映出信號(hào)的能量特性，此時(shí)的信號(hào)已變成對(duì)時(shí)域信號(hào)變化快慢的一種度量。因此，預(yù)加重后的信號(hào)不能直接用于與能量相關(guān)的數(shù)字處理操作。預(yù)加重后的信號(hào)使用前可以進(jìn)行去加重處理[16]。然而，在本文設(shè)計(jì)系統(tǒng)后續(xù)的處理過程中，多次運(yùn)用到信號(hào)的能量特征，如端點(diǎn)檢測(cè)，基音檢測(cè)等過程。由于開始設(shè)計(jì)系統(tǒng)時(shí)沒有注意到這個(gè)問題，從而導(dǎo)致系統(tǒng)的識(shí)別率相當(dāng)?shù)停挥?0%左右。去掉預(yù)加重處理后，識(shí)別率大幅上升，達(dá)到90%左右。 線性預(yù)測(cè)適用性問題本文涉及到的各種算法之中，最復(fù)雜的有兩大塊：一個(gè)是矢量量化部分的算法，另一個(gè)就是線性預(yù)測(cè)算法。本文實(shí)現(xiàn)線性預(yù)測(cè)算法后，為了確保算法的正確性，對(duì)程序進(jìn)行了模塊測(cè)試。具體的做法是同時(shí)輸出線性預(yù)測(cè)算法得到的預(yù)測(cè)值和相應(yīng)的序列原值，對(duì)它們進(jìn)行比較，檢驗(yàn)前后兩個(gè)值是否有很大的差距。起初，為了方便，測(cè)試時(shí)輸入的僅是對(duì)話筒吹氣所產(chǎn)生的類噪音信號(hào)，這時(shí)無(wú)論如何修改算法都無(wú)法得到理想的效果。后再次仔細(xì)考慮線性預(yù)測(cè)的基本原理，發(fā)現(xiàn)線性預(yù)測(cè)本質(zhì)上利用的是連續(xù)信號(hào)值與值之間的相關(guān)性。也即是說，線性預(yù)測(cè)不是對(duì)于任何系統(tǒng)都適用的。只有前后值之間足夠相關(guān)的序列才能進(jìn)行線性預(yù)測(cè)分析。氣流產(chǎn)生的類噪音信號(hào)相關(guān)性很弱，因此無(wú)法得到正確的預(yù)測(cè)值。發(fā)現(xiàn)這一點(diǎn)后，給線性預(yù)測(cè)算法輸入真實(shí)的語(yǔ)音信號(hào)重新進(jìn)行測(cè)試，算法獲得通過。 系統(tǒng)性能的分析一個(gè)說話人識(shí)別系統(tǒng)的好壞由許多因素決定，其中正確識(shí)別率是最基礎(chǔ)、最重要的指標(biāo)。對(duì)于說話人辨認(rèn)來(lái)說，識(shí)別的結(jié)果只可能是正確或錯(cuò)誤兩種，并且正確識(shí)別的概率與錯(cuò)誤識(shí)別的概率之和為 1，因此，可以用正確識(shí)別的概率（常稱為識(shí)別率）或者錯(cuò)誤識(shí)別的概率（常稱為錯(cuò)誤率）作為評(píng)價(jià)識(shí)別系統(tǒng)性能的指標(biāo)。此外，說話人辨認(rèn)系統(tǒng)的誤識(shí)率隨著用戶數(shù)的增加而增加，這相當(dāng)于在有限的概率空間中區(qū)分多個(gè)點(diǎn)，顯然點(diǎn)數(shù)越多越難分離。因此，在評(píng)價(jià)說話人辨認(rèn)系統(tǒng)時(shí)，必須充分考慮說話人數(shù)目對(duì)錯(cuò)誤率的影響。為了提高系統(tǒng)識(shí)別率，本文對(duì)特征參數(shù)的識(shí)別貢獻(xiàn)大小做出分析，分析方法是在同一版本的碼本庫(kù)（10名男性語(yǔ)音）中，每次屏蔽掉一種特征分量，然后測(cè)試系統(tǒng)的識(shí)別率。根據(jù)實(shí)際識(shí)別率的大小，來(lái)確定每個(gè)特征參數(shù)對(duì)識(shí)別的貢獻(xiàn)大小。，本文所選的四種特征參數(shù)中，對(duì)識(shí)別貢獻(xiàn)最大的是線性預(yù)測(cè)倒譜，其次是差分線性預(yù)測(cè)倒譜，然后是基音特征，貢獻(xiàn)最小的是差分基音特征。按照該結(jié)論，本文重新調(diào)整各特征參數(shù)的組合加權(quán)系數(shù)。對(duì)于10名男性語(yǔ)音的碼本庫(kù)，%，調(diào)整后識(shí)別率達(dá)到87%。 不同參數(shù)組合下的系統(tǒng)識(shí)別率所用的特征參數(shù)識(shí)別率差分基音，LPCC，差分LPCC%基音，LPCC，差分LPCC%基音，差分基音，差分LPCC%基音，差分基音，LPCC%調(diào)整好加權(quán)系數(shù)后，本文分別在5名、10名和15名男性語(yǔ)音構(gòu)成的注冊(cè)用戶碼本庫(kù)基礎(chǔ)上，分析系統(tǒng)最終的識(shí)別率。分析識(shí)別率的方法是，連續(xù)進(jìn)行多次識(shí)別，計(jì)算其中正確識(shí)別的比率。 不同碼本庫(kù)下的系統(tǒng)識(shí)別率注冊(cè)的用戶碼本數(shù)識(shí)別率5%10%15% 本章小結(jié)本章對(duì)系統(tǒng)做出了總結(jié)和分析。總體上介紹了系統(tǒng)的界面和使用情況。論述了系統(tǒng)設(shè)計(jì)的過程中，遇到的兩個(gè)關(guān)鍵問題及其解決思路。本章的最后，對(duì)設(shè)計(jì)的系統(tǒng)做出了性能分析，并且依據(jù)該系統(tǒng)，分析了說話人識(shí)別過程中用到的各個(gè)特征參數(shù)對(duì)最終識(shí)別效果的貢獻(xiàn)大小。結(jié)　　論語(yǔ)音信號(hào)只具有短時(shí)穩(wěn)定性，所以要對(duì)語(yǔ)音信號(hào)進(jìn)行分析，首先需要將該語(yǔ)音信號(hào)分成一幀一幀具有穩(wěn)定性質(zhì)的短時(shí)信號(hào)。為了保證前后幀性質(zhì)的連續(xù)性，分幀時(shí)，本文采用交疊分幀的方法。幀移等于幀長(zhǎng)的一半，即前一幀和后一幀之間有一半的點(diǎn)是重疊的。分幀后的信號(hào)仍包含大量的噪聲段（無(wú)聲段）信號(hào)。要提高系統(tǒng)的精度，這些噪聲段必須被去除掉，因此，要進(jìn)行語(yǔ)音端點(diǎn)檢測(cè)的工作?？紤]到語(yǔ)音中濁音段具有較高的能量，清音段具有較高的過零率，可以采用二者的乘積作為區(qū)分噪音段和語(yǔ)音段的標(biāo)準(zhǔn)。經(jīng)過以上分幀和端點(diǎn)檢測(cè)的預(yù)處理后，語(yǔ)音信號(hào)可以被用于下一步特征提取的過程了。特征提取時(shí)，本文選用線性預(yù)測(cè)倒譜系數(shù)（LPCC）、差分線性預(yù)測(cè)倒譜系數(shù)、基音頻率以及差分基音頻率四種特征的特征組合來(lái)表征說話人的特征。其中，線性預(yù)測(cè)倒譜系數(shù)和基音頻率反映的是生成語(yǔ)音的發(fā)音器官的差異，差分線性預(yù)測(cè)倒譜系數(shù)和差分基音頻率反映的則是發(fā)音器官發(fā)音時(shí)動(dòng)作的差異。求解出四個(gè)特征矢量后，對(duì)它們進(jìn)行加權(quán)擴(kuò)維即可得到用于說話人分類決策的組合特征矢量，其中加權(quán)系數(shù)是根據(jù)最終系統(tǒng)的輸出結(jié)果反饋選取的。本文的分類決策使用的是矢量量化的方法。在訓(xùn)練過程中，使用LBG算法將特征矢量集聚類成最優(yōu)碼本，并存入數(shù)據(jù)庫(kù)。識(shí)別時(shí)，從數(shù)據(jù)庫(kù)中提取所有注冊(cè)用戶的碼本集，按照平均量化失真最小的原則判決說話人身份。本文最終實(shí)現(xiàn)的系統(tǒng)由面向?qū)ο蟮姆椒ㄔO(shè)計(jì)，Java語(yǔ)言編寫完成。整個(gè)系統(tǒng)共包含11個(gè)類，4大核心模塊。對(duì)于10名男性語(yǔ)音的碼本庫(kù)，該系統(tǒng)的識(shí)別率達(dá)到87%。利用這個(gè)系統(tǒng)，本文對(duì)LPCC、差分LPCC、基音頻率、差分基音頻率四個(gè)特征參數(shù)也做出了相應(yīng)的性能評(píng)價(jià)，得到的結(jié)論是：用于說話人識(shí)別的參數(shù)中，LPCC效果最好，差分LPCC次之，基音頻率再次之，差分基音頻率效果最差。由于時(shí)間和水平的限制，本文實(shí)現(xiàn)的系統(tǒng)還有許多不足之處。其中最重要的有兩點(diǎn)：一是系統(tǒng)的識(shí)別率可以進(jìn)一步得到改善，二是系統(tǒng)僅完成了閉集說話人辨認(rèn)的功能，為了兼顧識(shí)別率，還未能實(shí)現(xiàn)新用戶的自動(dòng)識(shí)別。識(shí)別率的進(jìn)一步提高方面，本文提出一下三點(diǎn)設(shè)想：（1） 增加反饋算法本文許多重要參數(shù)（如端點(diǎn)檢測(cè)時(shí)的相對(duì)閾值、特征組合時(shí)的加權(quán)系數(shù)、最佳碼本生成時(shí)的相對(duì)畸變閾值等）的設(shè)置都是通過系統(tǒng)反饋的方法手動(dòng)選取。手動(dòng)選取的閾值不僅很難取到最優(yōu)，而且不能適應(yīng)環(huán)境的變化。增加反饋算法自動(dòng)尋找到當(dāng)前環(huán)境下的最優(yōu)閾值，從而提高系統(tǒng)識(shí)別率。（2） 增加去加重算法本文發(fā)現(xiàn)預(yù)加重處理會(huì)影響以后信號(hào)能量特征的運(yùn)用時(shí)，由于時(shí)間關(guān)系未能增加合適的去加重算法以改進(jìn)系統(tǒng)，而只是去掉了預(yù)加重模塊。增加去加重算法后，可以對(duì)信號(hào)預(yù)加重以提高高頻部分，從而提高系統(tǒng)識(shí)別率。（3） 改進(jìn)基音檢測(cè)算法通過對(duì)數(shù)據(jù)庫(kù)中碼本數(shù)據(jù)的分析，本文發(fā)現(xiàn)基音頻率相對(duì)于倒譜特征出現(xiàn)的誤差較大。多方改進(jìn)算法后，仍未能取得理想的效果。這可能是基音的準(zhǔn)周期特性造成的，也可能是算法本身的問題。若能實(shí)現(xiàn)更加精確的基音檢測(cè)，系統(tǒng)的識(shí)別率將會(huì)得到提高。新用戶的自動(dòng)識(shí)別方面，可以對(duì)平均量化失真設(shè)置合適的閾值，當(dāng)失真大于該閾值時(shí)，則識(shí)別為新用戶并要求其注冊(cè)。然而，對(duì)平均量化失真的數(shù)據(jù)分析后，本文發(fā)現(xiàn)新用戶的失真未必比注冊(cè)用戶正確識(shí)別時(shí)的失真小。因此，設(shè)置閾值會(huì)導(dǎo)致系統(tǒng)的識(shí)別率降低。這種現(xiàn)象有三個(gè)可能的原因：一是系統(tǒng)的開發(fā)、調(diào)試的高噪音環(huán)境造成失真過大；二是碼本的代表性不足；三是直接對(duì)平均量化失真設(shè)置閾值的方法不可行。若能找到合適的閾值設(shè)定方法，并確定恰當(dāng)?shù)拈撝担到y(tǒng)便可實(shí)現(xiàn)新用戶自動(dòng)識(shí)別的功能。參 考 文 獻(xiàn)[1] 趙力．語(yǔ)音信號(hào)處理[M]．北京：機(jī)械工業(yè)出版社，2003[2] 韓焱，王召巴，楊風(fēng)暴．電子信息工程專業(yè)學(xué)生的專業(yè)知識(shí)結(jié)構(gòu)與課程設(shè)置[C]．全國(guó)光學(xué)光電和電子類專業(yè)教學(xué)經(jīng)驗(yàn)交流研討會(huì)專集，中國(guó)光學(xué)學(xué)會(huì)光電技術(shù)專業(yè)委員會(huì)，教育部高等學(xué)校電子信息科學(xué)與工程類專業(yè)教學(xué)指導(dǎo)分委員會(huì)，全國(guó)高等學(xué)校光學(xué)教育研究會(huì)，2002．北京：華北工學(xué)院，2002[3] ，．A Discriminative Training Approach for Textindependent　Speaker Recognition[J]．Signal Processing，2005，85（7）：1449－1463[4] 邊肇祺，張學(xué)工．模式識(shí)別[M]．第二版．北京：清華大學(xué)出版社，2000[5] 張雄偉，陳亮，楊吉斌．現(xiàn)代語(yǔ)音處理技術(shù)及應(yīng)用[M]．北京：機(jī)械工業(yè)出版社，2003[6] 胡航．語(yǔ)音信號(hào)處理[M]．第