欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022106531174
申请人: 浙江工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 乐器;声学
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于余弦相似性和语音去噪的声纹识别对抗样本防御方法,其特征在于,包括以下步骤:步骤1:对说话人语音信号进行数据预处理;

步骤2:搭建声纹识别模型;

步骤3:根据声纹模型设计对抗样本;

步骤4:根据干净数据和小波变换重构方法得到检测阈值;具体包括:抑制扰动e

小波阈值降噪的步骤如下:I.对语音信号f

II.对样本信号f

其中w为小波系数,λ为选定的阈值;

III.对处理后的小波系数进行重构;根据小波分解的第N层的低频系数和经过处理后的第一层到N层的高频系数进行语音信号重构,从而得到降噪后的语音信号将原始干净样本

然后在干净样本的余弦相似性值集合C中选定一个检测阈值,如设定误检测率为b%,则检测阈值T为sort(C)中第b%的那个值,其中,sort(C)表示对C进行从小到大进行排序;

步骤5:根据检测阈值来检测对抗样本;将对抗样本X步骤6:去噪神经网络防御对抗样本;具体包括:首先训练一个去噪神经网络,采用的去噪神经网络是DCCRN,DCCRN网络首先通过短时傅里叶变换,对带噪语音进行变换,得到具有实部和虚部的语音复数频谱然后定义输入复数矩阵I=IF

类似于复数卷积,给定复数输入XL

L

L

其中LSTM

在训练网络过程中,DCCRN的目的是优化一个复数掩码矩阵M=MS=M*Y                       (14)其中S=S

给定S和Y,M可以被如下公式计算:M在极坐标中表示为:

M

以此带噪语音可以被估计为:DCCRN的损失函数为SI-SNR,计算公式如下:其中<·,·>代表两向量间的点积,当估计语音当DCCRN去噪网络训练好后,将未检测出的对抗样本输入去噪网络中,得到去噪后的语音,去噪后的语音将恢复为原始正确标签。

2.如权利要求1所述的基于余弦相似性和语音去噪的声纹识别对抗样本防御方法,其特征在于,步骤1具体包括:首先对现有的语音文件进行数据提取,其中,现有的语音文件指.WAV格式的语音文件;利用librosa音频处理python工具包对说话人语音进行语音数据提取,如下:X

其中X

对语音信号数据集进行归一化处理,并将数据集D划分为训练集DD

D

X

其中

3.如权利要求1所述的基于余弦相似性和语音去噪的声纹识别对抗样本防御方法,其特征在于,步骤2具体包括:预先指定分类模型的结构和参数,且不发生变化;采用的分类模型结构主要包含1D卷积层,最大池化层,批归一化层,全连接层;利用训练数据集进行训练,声纹识别分类模型如下:目标模型:

F

4.如权利要求1所述的基于余弦相似性和语音去噪的声纹识别对抗样本防御方法,其特征在于,步骤3具体包括:对抗样本定义为:

其中,δ

这里以基于优化的对抗攻击方法为例说明对抗样本生成;基于优化的攻击方法本质是一种基于梯度的对抗样本生成方法;

优化函数定义为: