基于量子隧穿效應的說話人真偽鑒別方法

黃 亮，潘 平，周 超

(貴州大學 計算機科學與技術學院，貴陽 550025)(*通信作者電子郵箱panping_17@163.com)

基于量子隧穿效應的說話人真偽鑒別方法

黃 亮，潘 平*，周 超

(貴州大學 計算機科學與技術學院，貴陽 550025)(*通信作者電子郵箱panping_17@163.com)

針對語音信號的非結構化特點，提出了一種基于量子隧穿效應的說話人真偽鑒別方法。以量子隧穿效應為理論依據，首先，在分析語音信號分幀的量子特性基礎上，將每一幀語音信號看作一個量子態，實現算法的量子化；然后，利用勢壘能分離能量的特性，通過構建勢壘組以提取信號的能量譜特征，并以此作為特征參數；最后，通過高斯混合模型(GMM)進行語音信號建模，完成說話人的真偽鑒別。仿真結果表明，相對于傳統方法，利用量子隧穿效應理論實現說話人鑒別可以有效降低算法的復雜度，提高識別的識別率和可靠性，為量子信息理論和說話人真偽鑒別方法提供了新的研究途徑。

說話人；真偽鑒別；量子隧穿效應；高斯混合模型

0 引言

隨著以語音信號為代表的數字多媒體技術對現代社會越來越強的影響，說話人真偽鑒別已經成為了當下研究的熱點之一。20世紀70年代后期，矢量量化(Vector Quantization, VQ)[1]作為一種新的數據壓縮和編碼技術廣泛用于說話人識別等領域。到了80年代，隱馬爾可夫模型(Hidden Markov Model, HMM)[2-3]和人工神經網絡(Artificial Neural Network, ANN)[4]在說話人識別領域的成功應用，使得說話人識別技術可以應用于大詞匯量、連續語音和非特定人等困難條件。1995年，Reynolds等[5]利用高斯混合模型提出了一種說話人身份識別方法；2006年，郭春霞[6]使用Mel頻率倒譜系數技術(Mel Frequency Cepstrum Coefficient, MFCC)研究了說話人識別系統；2013年，潘平等[7]研究了隨機共振在語音真實性檢測方面的應用。

然而，到目前為止關于語音的量子理論及其應用研究仍然處于起步探索階段，許多研究只能從某個應用或原始理論的局部觀點出發，并未認識到這一理論的內涵。本文提出一種基于量子隧穿理論的說話人真偽鑒別方法，旨在探索量子隧穿理論的應用。以說話人非結構化數據為特例，來解決目前基于非結構化數據特征提取所面臨的基于小數據樣本下的因果關系的局限性，為大數據下的結構化與非結構化數據的特征提取提供一種可行的研究途徑，為大數據分析技術提供一種基于微觀解釋的宏觀預測機理提供一種解決方案。仿真結果表明，這種方法在降低算法復雜度和時間復雜度的同時，可獲得預期的結果。

1 基礎理論

對于一個允許散射態和束縛態[8]的有限方勢壘:

(1)

其中v0是勢壘的高度，即勢能，可根據需要進行相應的設置。由于語音信號的能量(或功率譜密度)恒大于零，因此，本算法僅考慮散射態(E>0)。

圖1 矩形勢壘

(2)

如果入射波來自于左邊，右邊沒有其他入射波的干擾，則通解為：

(3)

(4)

利用其中的兩個方程消去積分常數C和D，就可以得到A和F的關系式：

(5)

定義：對于某個特定的勢壘，透射波的概率幅與入射波概率幅之比，稱為該波通過該勢壘的隧穿系數，即有：

(6)

量子隧穿系數表征了一列波通過某一勢壘的概率，由此式(6)可見，隧穿系數T是能量E的函數，它們之間的關系如圖2。

圖2表明，能量越大的粒子，透射過勢壘的概率就越大，即波的穿透能力越強；若粒子的能量足夠大，透射系數T就越接近1，實現完全隧穿。若假設一個閾值T0=0.95，并設波的透射系數T>T0，根據式(6)，可以得到一組確定的、對應能量值ne0(圖中虛線右側的所有離散值)，其中e0是這個勢壘所允許完全透射的最低能量。并根據德布羅意波公式e0=hf0和抽樣定理可將每個抽樣頻率與能量對應。因為，對抽樣后的功率譜的譜線值理解為在單位抽樣時間內所消耗的能量值。因此，對于每一離散的譜線值就對應為一確定的頻率。

圖2 能量函數與隧穿系數的關系

語音信號通常服從兩種分布：較短語音信號服從Gauss分布；較長語音信號Laplace分布。同一說話人，由于自身生物特性結構等因素的印象，對于同樣的語言內容(單字、短語或長句等)，發音頻率相同或在誤差允許的范圍內相似。對于不同的說話人，一方面發出的聲音信號存在差異，這種差異就表現為頻率特征上的差異，可由處于不同穩定的量子態進行描述；另一方面，不同的語音信號，當對其進行分幀處理后，由于每幀的時間很短，約為20 ms左右，服從Gauss分布。因此，每一分幀語音信號可視為一個包含一組頻率特征的量子波函數。不同的頻率，通過相同勢壘，其隧穿系數不同，所對應的隧穿后的頻率不同。如果設置一組勢壘，讓每一個勢壘有唯一的一個頻率透射，即可構建一組特征向量(模式)，這些特征都是非負的，且組成了一個隨機向量，因此可直接用正實數向量(高斯向量)表征，而無需再用酉高斯向量表示。根據向量中元素按擬合，降維成二維概率密度函數作為模式，通過最大似然估計，能實現說話人的識別。

根據文獻[10]的方法，利用本特征提取算法，獲得每一個勢壘的Gauss分布函數。由于有n個勢壘，線性疊加仍然為Gauss分布。因此，可以得到分布函數,如式(7)：

(7)

其中:μ表示通過勢壘的平均值，σ表示通過勢壘的標準差。

2 說話人識別的量子模型

根據上述思想，并依據人耳對頻率的響應特征[11-12]，構造基于72階的量子勢壘，這類似于構建72階特征頻率濾波，簡易模型如圖3所示，這個模型本身就隱含了一組頻率特征向量。

圖3 量子勢壘

根據前面的分析，構造一組特征向量(頻率)為：

fn=A′π2(a0+0.000 34n)2+B′π(1+0.09n)v0+C′;

n=0,1,2,…

(8)

其中:n為勢壘的序號；a0和v0為初始勢壘的寬度和高度；根據參數估計的一般理論，A′、B′和C′為訓練參數；若設an=a0+0.000 34n和vn=(1+0.09n)v0分別是第n個勢壘的寬度和高度。若說話人最低頻率為55 Hz，則通過式(8)可以計算出每個勢壘對應的頻率值。并假設透射系數閾值T0=0.95，則在歸一化后，初始勢壘v0的寬度和高度為a0=0.001和v0=1.2。

由于一幀語音信號本質上是微觀粒子的集體行為的表現，是平衡的隨機信號，可視為一個定態。因此，對于一幀語音信號的量子波函數，根據量子理論解釋為描述了粒子出現在確定地點的概率，但也可解釋為獲得特定能量En的概率。由于語音信號本質上是隨機的和不確定的[13]，對語音信號的采樣就如同對量子波函數進行了測量，使之坍縮為確定的功率譜密度和與之對應的頻率。根據以上分析，為了實現語音信號的特征提取，本實驗構造了如圖4所示的特征參數提取模型。

圖4 基于量子隧穿效應的說話人特征參數提取模型

模型中，端點檢測的目的是去除不屬于語音信號的部分；預加重處理是保證高頻信號的完整性；信號分幀的目的是為了讓信號盡可能地平穩以保證信號的定態特性，幀長為15 ms，幀移為5 ms；當每幀語音通過勢壘組后，可獲得一個參數，這個參數就是量化后的穿透能力，意味著這幀信號能透射過多少個勢壘，可以用來作為特征參數；在識別部分，根據薛定諤方程的解形式，為每個說話人構建一個波函數(二維概率密度函數)，這個波函數就表征了說話人的模式。

3 仿真與討論

為了驗證這種方法的有效性，仿真實驗選取了18個說話人為實驗對象，每個人分別錄取6段語音，包括單詞、短語、短句和長句。語音信號的采樣頻率為8 000 Hz。所提取的參數服從波函數解的分布。通過均值和標準差就可以為每個說話人構建一個概率密度函數。每一幀有36個觀測值，假設有n幀，總觀測值構成可得每個人的正態分布曲線。仿真結果如圖5和圖6，通過對向量求均值和方差，如表1所示。

對比圖5與圖6的各對應子圖，(a)和(b)顯示了同一說話人的特征，(c)和(d)為不同的人在不同時間(間隔1個月)的特征。很明顯，由于每個人的特征不同，曲線并不相同(注意縱軸的單位不同)。具體數據如表1所示。

由表1可清晰地看到，在語音內容相同的情況下，不同的人具有不同的參數值，同一個人的前后兩次的參數變化并不大；而不同人說相同內容時，參數值相差很大。

圖7和圖8的各對應子圖顯示了自同一個說話人的四段不同語音內容，但參數值卻十分相近，擬合的曲線也十分一致。詳細結果如表2所示。

在表2中，選取了兩個實驗對象。來自同一個人的參數非常接近，除了第2個人的第5段語音，可以作為奇異數據處理。這些參數值可以用作訓練數據來為每個說話人構造一個唯一的概率密度函數。一方面，由于模型去除了經典特征提取模型中的離散傅里葉變換，大大降低了算法的復雜度。與MFCC相比，若MFCC采用24階濾波器組，即特征參數為24維，那么，在識別部分需要將高維向量降維才能作出判別。在本模型中，雖然采用72個勢壘組，維度比MFCC高，可獲得更多的信息，從表面上看，似乎增加了計算的復雜度。事實上，由于在特征提取中已嵌入了自動降維處理，可直接輸出二維特征密度函數，因此大大降低了識別部分的難度與計算的復雜性。

另一方面，由于將分幀后的語音幀直接視為量子態，無需作量子化處理。因此，在同一個經典計算機上，本實驗利用Matlab做了大量的仿真實驗，通過對MFCC進行了相關的運算速度比較，如表3所示，結果顯示出本方法的優勢。

表1 不同說話人相同語音內容的實驗結果

表2 同一人不同語音內容的實驗結果

表3 識別算法運算時間的比較

4 結語

本文提出了一種基于量子理論的說話人真偽識別方法，利用量子勢壘組提取說話人特征參數，利用量子隨機理論處理隨機信號。由于每個人的均值和方差不同，所以分布曲線不同，因此可以通過對曲線的識別區分說話人。在經典計算機上的仿真結果表明，在同樣的時間內，這種方法大大地降低了算法的復雜度，將語音信號的穿透能力量化，并以此為特征參數，雖然特征數增加了，但是通過向量構造出二維說話人特征曲線，同時省略了識別算法，從而大大降低了說話人識別系統的復雜度。這種方法將為說話人識別，特別是特征參數的提取提供了一種新的研究途徑，為非結構化數據的聚類研究提供了一種新方法。

圖5 不同說話人同一語音內容的頻數直方圖

圖6 不同說話人同一語音內容的曲線擬合圖

圖7 同一說話人不同語音內容的頻數直方圖

圖8 同一說話人不同語音內容的曲線擬合圖

References)

[1] HUANG J, SCHULTHEISS P M. Block quantization of correlated Gaussian random variables [J]. IEEE Transactions on Communication Systems, 1963, 11(3): 289-296.

[2] LEVINSON S E, RABINER L R, SONDHI M M. An introduction to the application of the theory of probabilistic functions of a Markov process to automatic speech recognition [J]. Bell System Technical Journal, 1983, 62(4): 1035-1074.

[3] RABINER L R. A tutorial on hidden Markov models, selected applications in speech recognition [J]. Proceedings of the IEEE, 1989, 77(2): 257-286.

[4] WAIBEL A, HANAZAWA T, HINTON G, et al. Phoneme recognition using time-delay neural networks [J]. IEEE Transactions on Acoustics, Speech, and Signal Processing, 1989, 37(3): 328-339.

[5] REYNOLDS D A, ROSE R C. Robust text-independent speaker identification using Guassian mixture speaker models [J]. IEEE Transactions on Speech and Audio Processing, 1995, 3(1): 72-83.

[6] 郭春霞.基于MFCC的說話人識別系統研究[D].西安:西安電子科技大學， 2006.(GUO C X. The study of speaker recognition system based on MFCC [D]. Xi’an: Xidian University, 2006.)

[7] 潘平,羅輝,李換雙. 基于隨機共振的語音真實性檢測方法[J].計算機工程,2013,39(5):277-279.(PAN P, LUO H, LI H S. Voice authenticity detection method based on stochastic resonance [J] . Computer Engineering, 2013, 39(5): 277-279.)

[8] GRIFFITHS D J. Introduction to Quantum Mechanics [M]. 北京：機械工業出版社, 2012.(GRIFFITHS D J. Introduction to Quantum Mechanics [M]. Beijing: China Machine Press, 2012.)

[9] 田庚,潘平,劉琦.基于量子遂穿效應的數字錄音資料真實性鑒別[J].電腦知識與技術,2016,12(6):197-200.(TIAN G, PAN P, LIU Q. The authenticity of digital recording data identification based on quantum tunnelling effect [J]. Computer Knowledge and Technology, 2016, 12(6): 197-200.)

[10] 余華,方棣棠,李樹青,等.基于正態分布假設的非特定人語音識別[EB/OL]. [2017- 01- 06]. http://cpfd.cnki.com.cn/Article/CPFDTOTAL-SEER199410001045.htm.(YU H, FANG D T, LI S Q, et al. Speech recognition based on normal distribution hypothesis [EB/OL]. [2017- 01- 06]. http://cpfd.cnki.com.cn/Article/CPFDTOTAL-SEER199410001045.htm.)[11] 何朝霞,潘平,羅輝.基于非線性共振的說話人特征提取研究與仿真[J].科學技術與工程,2012,12(25):6507-6510.(HE Z X, PAN P, LUO H. Research and emulation of speaker feature parameter extraction based on nonlinear resonances [J]. Science Technology and Engineering, 2012, 12(25): 6507-6510.)

[12] 潘平,何朝霞.基于duffing隨機共振的說話人特征提取方法[J].計算機工程與應用,2012,48(35):123-125.(PAN P, HE Z X. Method of speaker feature parameter extraction based on duffing stochastic resonance [J]. Computer Engineering and Applications, 2012, 48(35): 123-125.)

[13] 趙力.語音信號處理[M].北京:機械工業出版社,2003:26-30.(ZHAO L. Speech Signal Processing [M]. Beijing: China Machine Press, 2003: 26-30.)

Speakerauthenticationmethodbasedonquantumtunnelingeffect

HUANG Liang, PAN Ping*, ZHOU Chao

(CollegeofComputerScienceandTechnology,GuizhouUniversity,GuiyangGuizhou550025,China)

Aiming at the unstructured characteristics of speech signal, a method of speaker authentication based on quantum tunneling effect was proposed. Based on quantum tunneling effect, the quantum properties of speech signal framing analyzed, and each speech signal frame was regarded as a quantum state, and the quantization of the algorithm was realized. And then the potential barrier was used to separate the energy characteristics. The barrier group was constructed to extract the energy spectrum characteristics of the signal and used it as the characteristic parameter. The speech signal modeling was finally carried out by the Gaussian Mixture Model (GMM) to complete the authentication of the speaker. The simulation results show that compared with the traditional method, the use of quantum tunneling theory to achieve speaker identification can reduce the complexity of algorithm effectively, improve the discrimination and provide a new direction for speaker authentication and quantum information theory.

speaker; authentication; quantum tunneling effect; Gaussian Mixture Model (GMM)

2017- 03- 08;

2017- 07- 05。

貴州省科學技術基金資助項目(黔科合J字[2012]2132號)；貴州省教育廳自然科學研究項目(黔教合KY字(2015)367號)；貴州大學計算機科學與技術學院研究生創新基金資助項目(院創201703)。

黃亮(1993—)，男，四川資陽人，碩士研究生，主要研究方向：信息與通信系統安全； 潘平(1962—)，男(苗族)，貴州貴陽人，副教授，主要研究方向：信息安全、語音信號處理； 周超(1994—)，男(穿青人)，貴州貴陽人，碩士研究生，主要研究方向：信息與通信系統安全。

1001- 9081(2017)09- 2617- 04

10.11772/j.issn.1001- 9081.2017.09.2617

TN912.34

A

This work is partially supported by the Guizhou Provincial Science and Technology Fund ([2012]2132), the Natural Science Research Project of Education Department of Guizhou Province ((2015)367), the Graduate Innovation Fund of College of Computer Science and Technology, Guizhou University (201703).

HUANGLiang, born in 1993, M.S. candidate. His research interests include security of information and communication system.

PANPing, born in 1962, associate professor. His research interests include information security, audio signal processing.

ZHOUChao, born in 1994, M.S. candidate. His research interests include security of information and communication system.