Resumen

En los sistemas de reconocimiento de locutores, la extracción de características es una tarea desafiante bajo condiciones de ruido ambiental. Para mejorar la robustez de la característica, propusimos una característica caótica multiescala para el reconocimiento de locutores. Utilizamos una técnica de análisis de multirresolución para capturar información más detallada sobre diferentes locutores en el dominio de la frecuencia. Luego, extraímos las características caóticas del habla basadas en el modelo dinámico no lineal, lo cual ayuda a mejorar la discriminación de las características. Finalmente, utilizamos un modelo GMM-UBM para desarrollar un sistema de reconocimiento de locutores. Nuestros resultados experimentales verificaron su buen rendimiento. Bajo condiciones de habla limpia y habla con ruido, el valor ERR de nuestro método se reduce en un 13.94% y 26.5% respectivamente en comparación con el método más avanzado.

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Extracción de características; Ruido ambiental; Característica caótica multiescala; Análisis de multiresolución; Características caóticas del habla; Modelo GMM-UBM
• Keywords:Feature extraction; Environment noise; Multiscale chaotic feature; Multiresolution analysis; Speech chaotic characteristics; GMM-UBM model