Метод классификации пола диктора, основанный на аппроксимации параметров голоса моделью гауссовых смесей

• Published in: Компьютерная математика
• Date: 2018
• Main Author: Семенов, В.Ю.
• Format: Article
• Language: Russian
• Published: Інститут кібернетики ім. В.М. Глушкова НАН України 2018
• Subjects: Оптимизация вычислений
• Online Access: https://nasplib.isofts.kiev.ua/handle/123456789/161891
• Journal Title: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Cite this: Метод классификации пола диктора, основанный на аппроксимации параметров голоса моделью гауссовых смесей / В.Ю. Семенов // Компьютерная математика. — 2018. — № 2. — С. 109-118. — Бібліогр.: 110 назв. — рос.

Предложен метод классификации пола диктора, основанный на моделировании плотности распределения вектора параметров голоса моделью гауссовых смесей. В качестве вектора параметров использовался набор кепстральных коэффициентов, дополненный периодом основного тона. Обучение модели гауссовых смесей производилось по методу максимизации ожидания (Expectation-Maximization). При проведении экспериментальных исследований предложенный метод показал достаточно низкую вероятность ошибки классификации (от 9 % до 0 %). Запропоновано метод класифікації статі диктора, заснований на моделюванні щільності розподілу вектора параметрів мовного сигналу моделлю гауссівських сумiшей. Як вектор параметрів використовувався набір кепстральних коефіціентів, доповнений періодом основного тону. Навчання моделi гауссівських сумiшей здійснювалось за методом максимизації очікування (Expectation-Maximization). При експериментальній перевірці запропонований метод показав досить низьку ймовірність помилки класифікації (від 9 % до 0 %). The method for gender classification, based on modeling of probability density function of voice parameters by Gaussian mixture model, is proposed. The vector of parameters consists of cepstral coefficients combined with basic tone period. The training of Gaussian mixture model is performed by Expectation-Maximization method. The experiments have shown low probability of classification error for the proposed method (from 9% to 0%).