در این مقاله، روش مدل آمیزهی گوسی ساختار یافته (SGMM) که به منظور سرعت بخشی الگوریتم GMM-UBM در سیستم تصدیق هویت گوینده، پیشنهاد شده است، مورد بررسی قرار می گیرد. تاثیر برخی پارامترها در ساخت مدل پس زمینه ساختاری (SBM) به تفصیل مورد بررسی و مقادیر بهینه در ساخت مدل مورد استفاده قرار می گیرد. همچنین برای پردازش امتیازهای خروجی ساختار SBM-SGMM ساختاری با عنوان شناسایی کننده GMM پیشنهاد می شود. شبیه سازی های انجام یافته نشان می دهد ساختار بهینه  SBM در ترکیب با پردازنده امتیازهای پیشنهاد شده، عملکرد بهتری نسبت به سیستم پایه در ترکیب با شبکه عصبی دارد و این در حالتی است که پیچیدگی سیستم پیشنهاد شده، پایین تر از شبکه عصبی می باشد. با استفاده از سیستم پیشنهادی، نرخ سرعت بخشی برابر با 2.7 حاصل گردید و در عین حال عملکرد سیستم نیز نسبت به سیستم  GMM-UBM بهبود نشان می دهد. در بهترین حالت می توان به نرخ خطای برابر معادل 0.35% دست یافت که نسبت به عملکرد سیستم GMM-UBM با نرخ خطای برابر 1.71% بهبود قابل ملاحظه ای حاصل می شود.

در تصدیق هویت گوینده، سیستم هویت شخصی را که با سیستم تماس برقرار کرده است، بررسی کرده و تعیین می کند که وی همان شخص مدعی است و یا دروغ می گوید. در این مقاله از برنامه نویسی ژنتیک به عنوان روشی برای مدل سازی گویندگان استفاده شد. با توجه به زمان زیاد آموزش مدل ها توسط برنامه نویسی ژنتیک، ایده بهره مندی از فشرده سازی داده های آموزشی، به منظور کاهش زمان آموزش مدل ها مطرح گردید و بدین ترتیب زمان لازم برای مدل سازی گویندگان با استفاده از برنامه نویسی ژنتیک در حدود 20 برابر کاهش داده شد. آموزش چندین درخت برنامه نویسی ژنتیک به عنوان مدل هر گوینده، ایده دیگری است که به منظور بهبود دقت تصدیق هویت گوینده در این مقاله مطرح شده است. در این روش، داده های آموزشی به تعداد کمی خوشه تفکیک شده و به ازای هر خوشه، یک درخت برنامه نویسی ژنتیک آموزش داده می شود. بدین ترتیب یک گوینده با چندین درخت برنامه نویسی ژنتیک مدل می شود. با استفاده از روش پیشنهادی، کارایی برنامه نویسی ژنتیک برای تصدیق هویت گوینده از 50% به حدود 92% افزایش پیدا کرده است. نتایج حاصل از عملکرد برنامه نویسی ژنتیک با کارایی روش های تمایزی دیگری مثل شبکه های عصبی MLP و LVQ و نیز روش های غیر تمایزی مانند LBG، GMM،GMM-UBM   VQ-MAP ومقایسه گردید و مشاهده شد که برنامه نویسی ژنتیک کارایی بهتری را نسبت به دیگر روش ها نتیجه می دهد.

این مقاله به بیان تحقیقات صورت گرفته در راستای طراحی و پیاده سازی یک سیستم تصدیق هویت گوینده از راه دور و از طریق خطوط تلفنی می پردازد. در این سیستم، گوینده هویت خود را توسط یک کد شناسایی 7 رقمی اعلام می نماید. یک الگوریتم بازشناسی ارقام مبتنی بر شبکه عصبی پیشگو که تلفیقی از شبکه عصبی چند لایه پرسپترون و الگوریتم برنامه ریزی پویا می باشد اقدام به بازشناسی ارقام کد شناسایی کاربر می نماید. با اعلام هویت گوینده، مدل مرجع آن گوینده که با استفاده از الگوریتم تلفیقی درخت برآمدگی و الگوریتم ژنتیکی آموزش دیده استخراج و با مقایسه همان گفتار گوینده در بیان کد شناسائی وی با این مدل مرجع، عمل تصدیق هویت صورت می گیرد. در آزمایشات صورت گرفته برای بازشناسی ارقام تاثیر تعداد دفعات ارائه داده های آموزشی به شبکه عصبی، تاثیر برش یا عدم برش خروجی گره ها برای جلوگیری از حالت اشباع، تاثیر تعداد ویژگیها و نوع ویژگی از نقطه نظر ایستا و گذرا بودن و نیز تاثیر ایجاد تغییرات در پارامترهای یادگیری شبکه مورد بررسی قرار گرفت. همچنین طی آزمایشهایی کارایی سیستم تصدیق هویت پیشنهاد شده ارزیابی و روشهای مختلفی برای تعیین سطح آستانه تصمیم گیری مورد بررسی و آزمایش قرار گرفت و نتایج حاصل از بازشناسی ارقام و تصدیق هویت با استفاده از روشهای گفته شده با نتایج حاصل از روش کلاسیک چندی سازی برداری مقایسه گردید.

در این مقاله یک سیستم کارآمد برای تعیین و تصدیق هویت گوینده معرفی می شود که در برابر نویز و اثر کانال انتقال مقاوم است. با استفاده از تکنیک آمیختن داده ها، دو سیستم HMM و GMM، موازی شده و یک سیستم ترکیبی را برای کاربرد در تعیین و تصدیق هویت گوینده بر روی خط تلفن تشکیل داده‏اند. آزمایشها نشان می‏دهد که مدل ترکیبی HMM+ GMM در بازشناسی گوینده از هر یک از سیستمهای HMM وGMM  بهتر عمل می‏کند. برای مقابله با نویز جمع‏شونده، از روش تفاضل طیفی و نیز از معیارِ تصویر وزن‏دهی شده، و برای جبران‏سازی اثرِ کانالِ تلفن از روش تفاضل میانگین در حوزه کپسترال استفاده شده است که هر سه روش موجب بهبود سیستم بازشناسی گوینده شده‏اند. برای جمعیت 100 نفری گویندگان (61 مرد و 39 زن) و بر روی پایگاه داده تلفنیFARSDIGITS1  با SNR=8.8 dB به ازای داده‏های آزمایشی، نرخ صحت تعیین هویت گوینده برای جمعیت‏ 100 نفری برابر 95.51% و نرخ خطا در تصدیق هویت گوینده 0.37% به دست آمده است. چند روش نرمالیزاسیون امتیازات در سطح گویش و در سطح فریم و نیز روش وزن‏دهی امتیازات مدل برای افزایش کارایی سیستمهای تصدیق و تعیین هویت گوینده به کار رفته و نشان داده شده که این روشها به افزایش تمایز بین گویندگان و در نتیجه کاهش خطا در سیستمهای تصدیق و تعیین هویت گوینده منجر می شوند. بر روی پایگاه داده تلفنی FARSDIGITS1، استفاده از روشهای نرمالیزاسیون امتیازات، کارایی سیستم شناسایی گوینده مبتنی بر مدل مخلوط گاوسی در حالت نرمالیزه نشده را در تعیین و تصدیق هویت گوینده به ترتیب از 95.34% (صحت) و 3.25% (خطا)، به 95.51% (صحت) و 0.33% (خطا) در حالت نرمالیزه شده بهبود می بخشد که بویژه برای تصدیق هویت گوینده این بهبود بسیار چشمگیر است.

در این مقاله، یک الگوریتم استخراج ویژگی مبتنی بر سیستم شنوایی، بر اساس یک تبدیل زمانی-فرکانسی به نام تبدیل شنوایی (AT) و ضرایب کپسترال نرمالیزه شده توان (PNCC)، که یک ویژگی موفق در زمینه تشخیص گفتار و گوینده بوده است، پیشنهاد می گردد. به طور معمول عملکرد مدل های صوتی که توسط داده های بدون نویز (تمیز) آموزش داده می شوند، وقتی در شرایط نویزی مورد آزمایش قرار می گیرند به طور فزاینده ای کاهش می یابد. ویژگی پیشنهادی که ضرایب کپسترال نرمالیزه شده توان مبتنی بر فیلتر کاکلی (CFPNCC) نامیده می شود تحت چنین شرایطی مقاومت بالایی را از خود بروز می دهد. ویژگی بارز الگوریتم پیشنهادی ترکیب مزیت های فیلتر بانک کاکلی با مزایای ویژگی PNCC است که مقاومت توام در مقابل نویزهای ایستان و غیر ایستان را به همراه دارد. به گونه ای که آزمایش های انجام شده بر روی پایگاه دادگان استاندارد SSC نشان می دهد، در سیستم تصدیق گوینده مبتنی بر مدل مخلوط گوسی، این ویژگی بهتر از ویژگی PNCC عمل می کند و به طور کلی نسبت به سایر ویژگی های متداول در زمینه تشخیص گوینده مانند MFCC و RASTA-PLP در شرایط نویزی نرخ خطای پایین تری را داراست.