基于MFCC与GMM的MATLAB语者识别系统

资 源 简 介

本项目旨在设计并实现一个基于MATLAB平台的高精度语者识别（声纹识别）系统，完整涵盖了语音信号处理、特征提取及模式匹配三大核心环节。在预处理阶段，系统实现了预加重滤波器以补偿高频分量，采用分帧加窗（汉明窗）技术将时变语音信号短时平稳化，并集成基于短时能量与过零率的语音端点检测（VAD）算法，有效去除静音和噪声干扰，仅保留有效语音片段。在特征提取阶段，核心算法采用梅尔频率倒谱系数（MFCC），该算法模拟人耳听觉的非线性感知特性，将频谱映射到Mel频域，从而提取出包含说话人个性化生理特征的倒谱向量作为声纹特征。在模型匹配与识别阶段，项目采用高斯混合模型（GMM）作为分类器，利用期望最大化（EM）算法挖掘特征数据的概率分布，为每位注册语者建立独立的GMM声学模型。系统具备训练与识别双重功能，能够通过计算测试语音在各个模型下的对数似然度（Log-Likelihood），依据最大似然准则精准判定说话人身份。该项目代码逻辑严密，不仅适用于学术研究中的算法验证，也可作为构建生物特征安全认证系统的底层核心模块。

详 情 说 明

基于MFCC与GMM的MATLAB语者识别系统

项目简介

本项目是一个基于MATLAB平台开发的高精度语者识别（声纹识别）系统仿真。系统完整实现了从语音信号产生、预处理、特征提取到模型训练及识别的全流程。核心算法采用梅尔频率倒谱系数（MFCC）作为声纹特征，并使用高斯混合模型（GMM）结合期望最大化（EM）算法进行建模与分类。

该项目特别设计为独立运行模式，内置了语音数据生成引擎，无需外部录音文件或WAV数据集即可直接运行，方便用于算法原理验证、教学演示及生物特征识别系统的底层逻辑研究。

主要功能特性

• 内置数据生成：无需外部数据集，通过数学模型自动合成包含基频、谐波、幅度包络及噪声的模拟语音信号。
• 完整的信号预处理：包含预加重滤波、分帧加窗（Hamming Window）。
• 鲁棒的端点检测 (VAD)：结合短时能量与过零率（ZCR）的双门限检测算法，并利用中值滤波平滑处理，有效剔除静音段。
• 经典的特征提取：实现标准的MFCC特征提取流程，包含Mel滤波器组映射、DCT变换、倒谱提升（Liftering）及倒谱均值归一化（CMN）。
• 概率统计建模：基于EM算法训练GMM模型，支持多维高斯分布的参数估计（均值、方差、权重）。
• 最大似然识别：对测试语音计算在不同模型下的对数似然度（Log-Likelihood），判定说话人身份。
• 可视化评估：自动生成MFCC特征分布散点图及识别结果混淆矩阵热力图。

系统要求

• MATLAB R2016a 或更高版本
• 不需要额外的工具箱（代码纯手写实现了DCT、FFT处理及GMM-EM算法，未依赖仅限于Audio Toolbox的高级封装函数）

使用方法

1. 确保MATLAB环境已安装。
2. 将代码保存为脚本文件。
3. 直接运行主函数。
4. 控制台将输出训练进度、测试结果列表及最终准确率，并弹出特征分布图和混淆矩阵图。

核心算法与实现细节

本项目在一个脚本中集成了所有子模块，具体逻辑流如下：

1. 模拟数据生成

系统不读取外部文件，而是通过generate_synthetic_data函数生成数据。

• 原理：为3位不同的说话人设定不同的基频（Base Frequency）。
• 合成：通过叠加基频与其谐波的正弦波，乘以时变的幅度包络（模拟音节变化），并加入高斯白噪声。
• 差异化：训练集与测试集在频率与噪声分布上存在微小差异，以模拟真实的语音变异。

2. 预处理与VAD

在特征提取前，对原始信号进行严格的清洗：

• 预加重：使用系数为0.97的一阶FIR高通滤波器，补偿高频分量。
• 端点检测 (VAD)：

* 计算每帧的短时能量和过零率。 * 设置双阈值，任意指标超过阈值即判定为语音帧。 * 使用中值滤波（窗口长度5）去除短暂的误判（平滑空洞），仅保留有效语音片段。

3. MFCC 特征提取

系统提取12维MFCC特征，具体步骤包括：

• 分帧：帧长256点，帧移128点，加汉明窗。
• 频谱计算：进行FFT变换并计算功率谱。
• Mel滤波：构建包含26个三角形滤波器的Mel滤波器组，将线性频率映射到Mel频域。
• 对数能量：计算滤波器组输出的对数能量（防止log(0)错误）。
• DCT变换：进行离散余弦变换，取第2至13个系数（去除直流分量C0）。
• 倒谱提升 (Liftering)：应用正弦提升窗口，强调高阶倒谱系数。
• 归一化 (CMN)：减去特征序列的均值，消除信道效应。

4. GMM 模型训练 (EM算法)

系统为每位注册语者训练一个独立的GMM模型（默认8个混合分量）：

• 初始化：采用随机样本作为初始均值，全局方差作为初始协方差，均等权重。
• E步 (Expectation)：计算每个数据点属于各个高斯分量的后验概率。利用Log-Sum-Exp技巧防止数值计算下溢。
• M步 (Maximization)：根据后验概率加权更新每个分量的权重、均值和对角协方差矩阵。
• 正则化：引入方差地板（Variance Flooring），防止方差过小导致矩阵奇异。

5. 识别判决

• 打分机制：对于输入的测试语音MFCC特征序列，计算其在所有已训练GMM模型下的累积对数似然度。
• 决策：比较所有模型的似然度得分，选择得分最高的模型对应的ID作为识别结果（最大似然准则）。

结果可视化

程序运行结束后会展示两个图表：

1. MFCC特征空间分布图：展示不同说话人在MFCC前两个维度（Dim 1 vs Dim 2）上的投影，直观展示特征的可分离性。
2. 混淆矩阵热力图：展示真实标签与预测结果的对应关系，并标注具体的识别数量和总体准确率。