技术特征：
1.一种基于小波神经网络的声纹特征提取模型构建方法，其特征在于，包括：s1.获取特定格式的声音数据，对所述声音数据进行预处理，转化为固定维度的声音信号；s2.选择小波基函数，将所述小波基函数设置为神经网络隐藏层中神经元的传递激发函数，构造小波神经网络，设置训练参数；s3.将所述声音信号输入所述小波神经网络进行计算，基于输出的预测值和真实值，根据所述训练参数对小波神经网络进行迭代训练，获得声纹特征提取模型。2.根据权利要求1所述的方法，其特征在于，s2所述设置训练参数包括：初始化权重、设置初始学习率、选择优化器和损失函数以及设置迭代训练停止条件。3.根据权利要求2所述的方法，其特征在于，s3所述迭代训练具体过程为：s301.将声音信号输入小波神经网络计算，得到小波神经网络输出的预测值；s302.将所述预测值与真实值输入所述损失函数中计算损失函数值；s303.通过反向传播计算代价函数在每一个神经元节点处的偏导数，对损失函数计算权值对应的梯度，使用梯度下降算法更新小波神经网络中的权值；s304.重复执行s301到s303，直到达到所述迭代训练停止条件，得到所述声纹特征提取模型。4.根据权利要求3所述的方法，其特征在于，所述迭代训练停止条件为：设置迭代轮次最大值，当迭代次数达到所述最大值时停止迭代；保存每一轮迭代的模型，迭代结束后，选择所有迭代轮次中性能最好的模型作为声纹特征提取模型。5.根据权利要求1所述的方法，其特征在于，s1所述特定格式的声音数据为：wav格式、16khz采样率和16bit的语音。6.一种基于小波神经网络的声纹特征提取模型构建系统，其特征在于，包括：数据处理模块：用于获取特定格式的声音数据，对所述声音数据进行预处理，转化为固定维度的声音信号；模型构建模块：用于通过将选择的小波基函数设置为神经网络隐藏层中神经元的传递激发函数，构造小波神经网络，设置训练参数；模型训练模块：用于将所述声音信号输入所述小波神经网络进行计算，基于输出的预测值和真实值，根据所述训练参数对小波神经网络进行迭代训练，获得声纹特征提取模型。7.根据权利要求6所述的系统，其特征在于，所述模型构建模块具体用于：初始化权重，设置初始学习率，选择优化器和损失函数以及设置迭代训练停止条件。8.根据权利要求6所述的系统，其特征在于，所述模型训练模块具体用于：将声音信号输入小波神经网络计算，得到小波神经网络输出的预测值；将所述预测值与真实值输入所述损失函数中计算损失函数值；通过反向传播计算代价函数在每一个神经元节点处的偏导数，对损失函数计算权值对应的梯度，使用梯度下降算法更新小波神经网络中的权值；重复执行上述过程，直到达到所述迭代训练停止条件，得到所述声纹特征提取模型。9.一种基于小波神经网络的声纹特征提取模型构建设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被
所述处理器执行时实现如权利要求1至5中任一项所述的模型构建方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1至5中任一项所述的模型构建方法的步骤。
技术总结
本发明公开了一种基于小波神经网络的声纹特征提取模型构建方法及系统，所述方法包括：获取特定格式的声音数据，对所述声音数据进行预处理，转化为固定维度的声音信号；选择小波基函数，将所述小波基函数设置为神经网络隐藏层中神经元的传递激发函数，构造小波神经网络，设置训练参数；将所述声音信号输入所述小波神经网络进行计算，基于输出的预测值和真实值，根据所述训练参数对小波神经网络进行迭代训练，获得声纹特征提取模型。使用的小波神经网络模型训练简单，专业性要求低，得到的特征提取模型抗噪性能优秀，具有更强的表征能力。力。力。
技术研发人员：高军 张志伟 杨爽 张高峰 杨宇 常晓鹏
受保护的技术使用者：国网山东省电力公司菏泽供电公司
技术研发日：2021.12.08
技术公布日：2022/3/4