基于核fisher判别的分类器算法及其在语种识别中的应用研究

gmm与svm的建模和识别性能具有较好的互补性,因此gmm-svm在语种识别中得到广泛使用,以其为基础的gmm-mmi-svm已成为语种识别的主流研究方法。但是svm在判别时仅仅使用了训练样本中的一些特殊样本即支持向量,并没有使用全部样本,从而影响了系统识别性能的进一步提高。针对上述问题,提出一种基于核fisher判别的分类算法——gmm-mmi-kfd。该算法的核心思想是用核fisher准则(kfd)替代svm分类准则,从语音片段中提取出特征向量序列,分别通过gmm-mmi分类器与gmm-kfd分类器进行判决打分。相对svm,kfd更注重语音数据非线性分布的特点,并且将样本向高维空间h上投影后可以最大限度地增大类间距,减小类内距。实验数据表明,gmm-mmi-kfd方法在语种识别中具有更高的识别率。