技術(shù)特征：

1.一種基于mamba模型的自適應(yīng)聲紋識(shí)別系統(tǒng)，其特征在于，包括語音采集模塊、語音增強(qiáng)模塊、語音特征提取模塊、語譜圖增強(qiáng)模塊、模型訓(xùn)練模塊和模型決策模塊，

2.根據(jù)權(quán)利要求1所述的一種基于mamba模型的自適應(yīng)聲紋識(shí)別系統(tǒng)，其特征在于，針對(duì)所述語音增強(qiáng)模塊：

3.根據(jù)權(quán)利要求1所述的一種基于mamba模型的自適應(yīng)聲紋識(shí)別系統(tǒng)，其特征在于，針對(duì)所述語音特征提取模塊：

4.根據(jù)權(quán)利要求1所述的一種基于mamba模型的自適應(yīng)聲紋識(shí)別系統(tǒng)，其特征在于，針對(duì)所述語譜圖增強(qiáng)模塊：

5.根據(jù)權(quán)利要求1所述的一種基于mamba模型的自適應(yīng)聲紋識(shí)別系統(tǒng)，其特征在于，針對(duì)所述模型訓(xùn)練模塊，基于mamba的自適應(yīng)聲紋識(shí)別方法的具體步驟如下：

6.根據(jù)權(quán)利要求5所述的一種基于mamba模型的自適應(yīng)聲紋識(shí)別系統(tǒng)，其特征在于，所述步驟s6中，時(shí)延神經(jīng)網(wǎng)絡(luò)模塊由三個(gè)標(biāo)準(zhǔn)的時(shí)延神經(jīng)網(wǎng)絡(luò)層和n個(gè)特殊結(jié)構(gòu)的時(shí)延神經(jīng)網(wǎng)絡(luò)層組成，其中n是大于1的整數(shù)；

7.根據(jù)權(quán)利要求5所述的一種基于mamba模型的自適應(yīng)聲紋識(shí)別系統(tǒng)，其特征在于，所述步驟s7中，注意力策略池模塊以目標(biāo)局部特征作為輸入信息，輸出語音加權(quán)聲紋向量；對(duì)于一個(gè)含有t幀的語音x＝x1,x2,…,xt，經(jīng)過所述網(wǎng)絡(luò)可計(jì)算得到一個(gè)具有t幀的語音向量h＝h1,h2,…,ht，其中h的尺度為dh×t，語音特征權(quán)重a的計(jì)算方式如下：

8.根據(jù)權(quán)利要求5所述的一種基于mamba模型的自適應(yīng)聲紋識(shí)別系統(tǒng)，其特征在于，所述步驟s8中，全連接模塊包含兩個(gè)全連接層：第一全連接層負(fù)責(zé)接收來自注意力策略池模塊的聲紋向量，并計(jì)算得到聲紋嵌入向量；第二全連接層則負(fù)責(zé)接收第一全連接層輸出的聲紋嵌入向量，并在此基礎(chǔ)上預(yù)測(cè)和輸出語音信息對(duì)應(yīng)的分類信息。

9.根據(jù)權(quán)利要求1-8任一項(xiàng)所述的一種基于mamba模型的自適應(yīng)聲紋識(shí)別系統(tǒng)，其特征在于，針對(duì)所述模型決策模塊：

技術(shù)總結(jié)
本發(fā)明公開一種基于Mamba模型的自適應(yīng)聲紋識(shí)別系統(tǒng)，包括語音采集模塊、語音增強(qiáng)模塊、語音特征提取模塊、語譜圖增強(qiáng)模塊、模型訓(xùn)練模塊和模型決策模塊；本發(fā)明通過精心設(shè)計(jì)的網(wǎng)絡(luò)架構(gòu)和算法優(yōu)化，在確保高識(shí)別準(zhǔn)確度的同時(shí)，展現(xiàn)出較好的魯棒性；該系統(tǒng)在多種噪聲條件下和不同說話風(fēng)格中均能保持較低的等錯(cuò)誤率，表明其在聲紋識(shí)別任務(wù)中的高度魯棒性和準(zhǔn)確性；Mamba模塊的雙向狀態(tài)空間模型能夠有效捕獲聲紋的局部細(xì)節(jié)和全局上下文，增強(qiáng)了系統(tǒng)對(duì)復(fù)雜語音特征的識(shí)別能力；TDNN模塊強(qiáng)化了系統(tǒng)對(duì)時(shí)間序列特征的敏感度，而DenseNet模塊則通過其密集連接提升了特征的傳遞和融合，兩者的結(jié)合有效提高了Mamba模塊特征提取的精細(xì)度，提升了模型的魯棒性。

技術(shù)研發(fā)人員：李奕哲,石興民,楊佳文,張一航,劉子陽,蔣世杰
受保護(hù)的技術(shù)使用者：杭州師范大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9