基于DNN模型和支持向量机模型的说话人个数估计方法与流程

技术特征：

1.一种基于DNN模型和支持向量机模型的说话人个数估计方法，其特征在于，分为模型训练阶段和说话人个数估计阶段两个阶段，包括以下步骤：

1)模型训练阶段；模型训练阶段分为DNN模型训练阶段和支持向量机SVM模型训练阶段两个阶段；具体包括以下步骤：

1‐1)DNN模型训练阶段：获取N个说话人的训练语音数据，提取每条训练语音数据的特征，设置DNN模型的层数和节点数，对DNN模型进行训练，得到DNN模型参数；

1‐2)支持向量机SVM模型训练阶段：获取M个说话人的训练语音数据，提取M个说话人的训练语音数据的特征,输入到步骤1‐1)得到的DNN模型中，产生M组说话人各自对应的N维特征，得到M个说话人的各自对应的SVM模型；

2)说话人个数估计阶段，具体包括以下步骤：

2‐1)获取待测语音数据，对待测语音数据进行预处理，得到待测语音数据对应的梅尔倒谱特征及其一阶、二阶导数，共60维；

2‐2)将步骤2‐1)得到的每条待测语音数据的梅尔倒谱特征输入到步骤1‐1)得到的DNN模型中，每条待测语音数据的60维梅尔倒谱特征对应得到DNN模型的输出层输出的该条待测语音数据的N个输出概率，将得到的每条待测语音数据的N个输出概率组成该条待测语音数据的N维特征；

2‐3)将步骤2‐2)得到的任意一条待测语音数据的N维特征依次输入到步骤1‐2)得到的M个说话人各自对应的对应的SVM模型中，每个SVM模型对该条待测语音数据进行评分，根据每个SVM模型评分结果判断该条待测语音数据对应的说话人和SVM模型所对应的M个说话人的相近程度，得分最高的SVM模型即为该条待测语音数据所对应的类别，该SVM模型所对应的说话人即为该条待测语音数据的近似说话人；

2‐4)重复步骤2‐3)，将所有待测语音数据的N维特征分别输入M个SVM模型中，对所有待测语音数据进行分类，得到的类别总个数Q即为估计得到的待测语音数据的说话人个数，Q≤M。

2.如权利要求1所述的方法，其特征在于，所述步骤1-2)DNN模型训练阶段，具体包括以下步骤：

1‐1‐1)获取N个说话人的训练语音数据；对训练语音数据进行预处理，提取每条训练语音数据的梅尔倒谱特征及其一阶、二阶导数，总共60维；

1‐1‐2)设置DNN模型的层数和节点数；

DNN模型分为输入层、隐含层和输出层三个层次；其中，输入层对应步骤1‐1‐1)得到的每条训练语音数据的梅尔倒谱特征及其一阶、二阶导数，共60维，则输入层节点数设置为60个；输出层的节点数等于所需识别的说话人个数N，每个节点的输出分别对应每个说话人的概率；隐含层用于自动提取不同层次的特征，每层隐含层的节点数代表该层隐含层所提取的特征的维度；

1‐1‐3)对DNN模型进行训练，得到DNN模型参数；

根据步骤1‐1‐1)得到的N个说话人的训练语音数据的梅尔倒谱特征及一阶、二阶导数，对DNN模型进行训练，得到DNN模型参数；DNN模型参数包括相邻两层的连接权重和每个节点的偏置；

相邻两层的连接权重，表达式如式(1)所示：

式中，W_i,i+1为有P_i行、P_i+1列的矩阵，其中表示DNN模型第i层的第m个节点和第i+1层的第n个节点的连接权重；

每个节点的偏置，表达式如式(2)所示：

$B_j=\left[\begin{array}{c}{b}_1^j\\ b_2^j\\ .\\ .\\ .\\ b_k^j\\ .\\ .\\ .\\ b_{P_j}^j\end{array}\right],j=1,...,4---\left(2\right)$

式中，表示DNN模型第j层中第k个节点的偏置；

对DNN模型先进行非监督训练：把DNN模型中每相邻的两层组成一个受限玻尔兹曼机，利用对比散度CD算法对每个受限玻尔兹曼机分别进行训练；依次训练所有的受限玻尔兹曼机，得到DNN模型参数的初始值；再进行监督训练：使用非监督训练得到的DNN模型参数初始值，利用后向传播算法对DNN模型参数进行精确调整，得到DNN模型参数的最终值。

3.如权利要求1所述的方法，其特征在于，所述步骤1-3)支持向量机SVM模型训练阶段，具体包括以下步骤：

1‐2‐1)获取M个说话人的训练语音数据，对M个说话人的训练语音数据进行预处理，得到M个说话人的训练语音数据对应的梅尔倒谱特征及一阶、二阶导数，共60维；

1‐2‐2)将步骤1‐2‐1)得到的M个说话人的训练语音数据对应的60维梅尔倒谱特征分别输入到步骤1‐1)得到的DNN模型中，每个说话人的训练语音数据的60维梅尔倒谱特征对应得到DNN模型的输出层输出的的该说话人的N个输出概率，将得到的每个说话人的N个输出概率组成该说话人的N维特征，共产生M组说话人各自对应的N维特征；

1‐2‐3)将M个说话人中第i个说话人的训练语音数据作为一类，i∈1～M，类别标签定为1；其余M‐1个说话人作为另一类，类别标签定为‐1，得到二分类SVM模型；根据步骤1‐2‐2)得到的M组说话人各自对应的N维特征及类别标签，对二分类SVM模型进行训练，得到第i个说话人的SVM模型；

1‐2‐4)重复步骤1‐2‐3)，让i的取值分别从1到M，最终得到M个说话人的各自对应的SVM模型，共M个。