基于SVM的语音特征提取及识别模型研究

被引：3

作者：

吴皓莹 ^{[1
]}

程晶 ^{[1
]}

范凯 ^{[2
]}

机构：

[1] 武汉理工大学信息工程学院

[2] 湖北工业大学信息技术中心

来源：

武汉理工大学学报(交通科学与工程版) | 2014年 / 02期

关键词：

支持向量机(SVM); 特征参数; 核函数; 识别模型; 网格寻优算法;

D O I：

暂无

中图分类号：

TN912.34 [语音识别与设备];

学科分类号：

0711 ;

摘要：

针对非特定文本的说话人识别,研究了特征提取方法及SVM核函数和参数选取对识别结果的影响,分析了现有的语音特征提取算法及各自的优缺点,以及不同核函数、核参数及惩罚参数对识别性能的影响.采用改进的网格寻优方法,进一步提高语音信息的识别时间.

引用

页码：316 / 319

页数：4

共 9 条

[1]

SVM:Support vector machines. XUE Hui,YANG Qiang,CHEN Songcan. The top ten algorithms in data mining . 2010

[2] 基于SVM分类器的道路湿滑图像分类方法研究 [J].

刘新宇 ;

黄德启 .

武汉理工大学学报(交通科学与工程版), 2011, 35 (04) :784-787+792

[3] 基于语音MFCC特征的改进算法 [J].

叶庆云 ;

蒋佳 .

武汉理工大学学报, 2007, (05) :150-152

[4]

孤立词语音识别的关键技术研究[D]. 吴艳艳.青岛大学 2012

[5]

语音识别中个人特征参数提取研究[D]. 张志霞.中北大学 2009

[6]

支持向量机[M]. 科学出版社 , 邓乃扬, 2009

[7] Reduced one-against-all method for multiclass SVM classification [J].

Kumar, M. Arun ;

Gopal, M. .

EXPERT SYSTEMS WITH APPLICATIONS, 2011, 38 (11) :14238-14248

[8]

Simultaneous feature selection and classification using kernel-penalized support vector machines[J] . Sebastián Maldonado,Richard Weber,Jayanta Basak. &nbspInformation Sciences . 2010 (1)

[9]

The Nature of Statistical Learning Theory. Vapnik VN. . 1999

← 1 →