1.一种基于基音周期混合特征参数的声纹识别方法，其特征在于，包括如下步骤：S1：语音信号的采集输入；

S2：语音信号的预处理，主要包括预加重、分帧和加窗处理；

S3：语音信号组合特征参数提取：提取基音周期、LPCC、ΔLPCC、能量、能量的一阶差分以及GFCC特征参数共同组合成多维特征向量，其中：LPCC为线性预测倒谱系数，△LPCC为LPCC的一阶差分，GFCC为Gammatone滤波器倒谱系数；

S4：利用离散二进制粒子群优化算法对步骤S3中的多维特征向量进行筛选，将GMM-UBM识别过程中等错误率作为评价函数，选取使得等错误率最小的特征向量作为声纹识别的特征向量，其中所述GMM-UBM为高斯混合模型与通用背景模型相结合的说话人识别模型；

S5：使用GMM-UBM训练得到说话人的声音模型，即将语音库随机选取相应数量的语音训练得到通用背景模型UBM，然后利用最大后验准则自适应得到不同说话人的声音模型；

S6：提取经粒子群优化算法筛选后的测试语音的特征参数，利用步骤S5训练得到的GMM-UBM模型，计算出对数概率得分，选择概率得分最大者，即为目标说话人。

2.根据权利要求1所述的基于基音周期混合特征参数的声纹识别方法，其特征在于，步骤S3中提取1维基音周期，12维LPCC，12维△LPCC，1维能量参数，1维一阶差分能量参数，22维GFCC参数，共同组成的49维特征向量。

3.根据权利要求1或2所述的基于基音周期混合特征参数的声纹识别方 法，其特征在于，步骤S4中离散二进制粒子群优化算法的具体步骤包括：A1：装载训练数据集，设置初始化参数；

A2：随机产生初始群体，并为每个粒子生成随机初始化速度，设置粒子个体极值和群体的全局极值；

A3：评价每个粒子的适应值；

A4：对每个粒子，将其适应值与粒子个体极值的适应值进行比较，如果其适应值优于粒子个体极值的适应值，则将当前粒子的位置作为粒子个体极值；

A5：对每个粒子，将其适应值与群体全局极值的适应值进行比较，如果其适应值优于群体全局极值的适应值，则将当前粒子的位置作为群体全局极值；

A6：更新粒子速度和位置；

A7：判断迭代次数是否达到最大值，如果达到，则进入步骤A8，否则跳转到步骤A3；

A8：把最终的群体全局极值转换为对应的特征子集。

4.根据权利要求3所述的基于基音周期混合特征参数的声纹识别方法，其特征在于，步骤A

3的每个粒子的适应度按照以下方式计算： 其中

其中函数： Ai表示多

维特征向量中的第i维参量,Aj表示多维特征向量中的第j维参量，C是说话人的类别，i和j遍历于多维特征向量中的所有维数，H1(Aj)表示确定C之前Aj的熵，H1(C)表示确定Aj之前C的熵，H1(Aj|C)表示确定C之后Aj的熵，H2(Ai)表示确定Aj之前Ai的熵，H2(Aj)表示确定Ai之前Aj的熵，H2(Ai|Aj)表示确定Aj之后Ai的熵。

5.根据权利要求3所述的基于基音周期混合特征参数的声纹识别方法，其特征在于，步骤A6中更新粒子速度按照以下公式进行：式中：

表示第n次迭代时第i个粒子第d维的速度， 表示第n+1次迭代时第i个粒子第d维的速度， 表示第n次迭代时第i个粒子第d维的值， 表示第n次迭代时第i个粒子的粒子个体极值第d维的值， 表示第n次迭代时群体全局极值在第d维的值，d＝

1,2,...,D表示粒子的维度，总共D维，i＝1,2,...,m，m为种群规模，w为惯性权重，c1是粒子跟踪自己历史最优值的权重系数，c2是粒子跟踪群体最优值的权重系数，r1、r2是[0,1]之间的随机数。

6.根据权利要求3所述的基于基音周期混合特征参数的声纹识别方法，其特征在于，更新粒子位置按照以下方法进行：针对第n+1次迭代时第i个粒子第d维的值而言，先按照 计算位置状态改变概率；然后随机产生一个(0,1)之间的随机数rand()，如果 则否则其中 表示第n次迭代时第i个粒子第d维的速度， 表示第n+1次迭代时第i个粒子第d维的值。

7.根据权利要求1所述的基于多类型组合特征参数的声纹识别方法，其特征在于，步骤S2中预加重滤波器的参数u取0.95，分帧采用的帧长为256，帧移为100，窗函数采用汉明窗。

8.根据权利要求1所述的基于多类型组合特征参数的声纹识别方法，其特征在于，步骤S1中利用录音软件Cool Edit录制小语音库，去除静音段，并将噪声衰减10dB，其中采用频率为16KHz，量化比特为16bit的wav文件。