基于SVM一对一分类的语种识别方法  

Language recognition based on SVM 1 vs.1 classification

作　　者：王宪亮[1] 吴志刚 杨金超[1] 周若华[1] 颜永红[1] 

机构地区：[1]中国科学院声学研究所,语言声学与内容理解重点实验室,北京100190 [2]新疆维吾尔自治区公安厅,乌鲁木齐830000

出　　处：《清华大学学报（自然科学版）》2013年第6期808-812,共5页Journal of Tsinghua University(Science and Technology)

基　　金：国家自然科学基金项目(10925419;90920302;61072124;11074275;11161140319;91120001);中国科学院战略性先导科技专项(XDA06030100;XDA06030500);国家"八六三"高技术项目(2012AA012503);中科院重点部署项目(KGZD-EW-103-2)

摘　　要：语种识别系统通常采用支持向量机(support vectormachine,SVM)一对多分类加Gauss后端分类器的方法进行分类。传统的SVM一对一分类在进行线性鉴别性分析(linear discriminant analysis,LDA)时特征值矩阵往往为奇异的,识别性能很低。该文提出一种改进的一对一分类方法,对SVM一对一分类得分重新建模,识别性能明显提高。在美国国家标准技术署(National Institute of Standardsand Technology,NIST)2011年语种识别评测(languagerecognition evaluation,LRE)30s数据集上的实验结果表明:在采用SVM的全变化量因子分析(total variability,iVector)和支持向量机-Gaussn超向量(support vectormachine-Gaussian super vector,SVM-GSV)语种识别系统上,该方法比SVM一对多分类方法性能更好,并且两种方法线性融合可明显提升识别性能,在iVector系统上各指标相对提升7.7%～15.9%,在SVM-GSV系统上各指标相对提升11.2%～33.9%。Support vector machine（SVM） 1 vs.all classification and the Gaussian back-end classifier are commonly used for language recognition.However,the linear discriminant analysis（LDA） matrix of the Gaussian back-end classifier is often singular so the performance of traditional 1 vs.1 classification is worse than with the 1 vs.all classification.This paper presents an improved 1 vs.1 classification method that uses re-modeling of the SVM scores.Tests on the the National Institute of Standards and Technology（NIST） 2011 language recognition evaluation（LRE） 30 s database indicate that the method gives equal or even better performance than the traditional method,with linear fusion giving significantly better performance,with improvements of 7.7% to 15.9% for iVector and 11.2% to 33.9% for the SVM-GSV（Gaussian super vector） language recognition system.

关 键 词：支持向量机(SVM) 一对一分类 语种识别 

分 类 号：TN912.34[电子电信—通信与信息系统]