人工鱼群算法优化的SVM在语音识别中的应用

发布时间：2017-04-03 09:04

  本文关键词：人工鱼群算法优化的SVM在语音识别中的应用，由笔耕文化传播整理发布。

【摘要】：语音作为通信系统中最自然的通信媒介,在任何时候都发挥着巨大的作用。随着信息化社会的不断发展,人们更加期待机器能够听懂人类的语音实现智能化。因此,作为人机交互技术的重要内容,语音识别自然成为了人们研究的热点,现已得到广泛的应用。支持向量机(SVM)是一种新型的机器学习方法,可以有效地解决小样本、过学习、非线性和维数灾难等问题。该模型以统计学理论中的VC维概念和结构风险最小化原理为基础,其学习能力的好坏主要取决于SVM中惩罚因子、核函数与核参数的选取,但目前仍未有统一的理论作指导。利用SVM模型对语音系统进行识别时,其参数的选择会直接影响系统最终的识别效果。选用人工鱼群算法(AFSA)可以实现对支持向量机参数的优化,但该算法容易陷入局部最优,出现早熟收敛现象。因此,本文通过结合混沌模型实现了对人工鱼群算法中各行为的改进,提出了一种混沌人工鱼群算法(CAFSA)优化SVM参数的方法,并采用测试函数进行测试,再将寻优产生的SVM模型运用到韩语库和Aurora 2语音库中。实验结果表明,基于混沌人工鱼群算法的SVM模型与基于人工鱼群算法的SVM模型相比,收敛速度明显加快,语音识别率也有不同程度的提高。其次,为了进一步提高系统的语音识别率,缩短最佳参数的寻优时间,本文又提出了一种基于变异人工鱼群算法(MAFSA)的SVM参数优化方法。该算法对AFSA的行为结构进行了改进,引入个体行为和团体行为,同时自适应更新了鱼群的视野范围,并通过测试函数对其进行测试和比较,再将寻优的参数应用在韩语库和Aurora 2语音库中进行仿真。实验结果表明,变异人工鱼群算法较其他两种优化算法对SVM参数的寻优速度更快,得到的系统语音识别率更高。
【关键词】：支持向量机 参数优化 混沌人工鱼群算法 变异人工鱼群算法 语音识别
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;TN912.34
【目录】：

• 摘要3-5
• abstract5-9
• 第一章 绪论9-15
• 1.1 选题背景及意义9
• 1.2 语音识别的发展现状9-11
• 1.3 支持向量机的参数优化方法11-12
• 1.4 人工鱼群算法的改进研究与应用12-13
• 1.5 论文主要研究内容13
• 1.6 论文结构和章节安排13-15
• 第二章 支持向量机概述15-29
• 2.1 统计学习理论基础15-18
• 2.1.1 VC维概念15-16
• 2.1.2 推广性的界16
• 2.1.3 结构风险最小化16-18
• 2.2 支持向量机基础研究18-21
• 2.2.1 最优分类面18-19
• 2.2.2 核函数19-20
• 2.2.3 支持向量机与参数的关系20-21
• 2.3 支持向量机分类原理21-24
• 2.3.1 线性支持向量机21-22
• 2.3.2 线性不可分支持向量机22-23
• 2.3.3 非线性支持向量机23-24
• 2.4 支持向量机的变形算法24-27
• 2.4.1 C-SVM算法25
• 2.4.2 v-SVM算法25-26
• 2.4.3 One-class SVM算法26-27
• 2.5 本章小结27-29
• 第三章 混沌人工鱼群算法对SVM参数的优化及应用29-45
• 3.1 人工鱼群算法基本原理29-32
• 3.1.1 人工鱼群算法基本行为描述29-30
• 3.1.2 人工鱼群算法流程30-31
• 3.1.3 人工鱼群算法参数介绍31-32
• 3.2 混沌人工鱼群算法32-38
• 3.2.1 Logistic混沌系统33
• 3.2.2 混沌人工鱼群算法基本思想及流程33-35
• 3.2.3 混沌人工鱼群算法仿真测试35-38
• 3.3 混沌人工鱼群算法对SVM参数的优化及在语音识别中的应用38-44
• 3.3.1 混沌人工鱼群算法优化SVM参数的实现38-40
• 3.3.2 实验仿真与分析40-44
• 3.4 本章小结44-45
• 第四章 变异人工鱼群算法对SVM参数的优化及应用45-57
• 4.1 视野的改进思想45
• 4.2 变异人工鱼群算法45-50
• 4.2.1 变异人工鱼群算法的提出46-47
• 4.2.2 变异人工鱼群算法流程47-48
• 4.2.3 变异人工鱼群算法仿真测试48-50
• 4.3 变异人工鱼群算法对SVM参数的优化及其应用50-55
• 4.3.1 变异人工鱼群算法优化SVM参数的实现50-52
• 4.3.2 实验仿真与分析52-55
• 4.4 本章小结55-57
• 第五章 总结与展望57-59
• 5.1 总结57-58
• 5.2 展望58-59
• 参考文献59-65
• 致谢65-67
• 攻读硕士学位期间发表的论文67

【相似文献】

中国期刊全文数据库 前10条

1 曲良东;何登旭;;改进的人工鱼群算法及其在近似求导中的应用[J];微电子学与计算机;2009年05期

2 王联国;洪毅;赵付青;余冬梅;;一种简化的人工鱼群算法[J];小型微型计算机系统;2009年08期

3 王宗利;刘希玉;王文平;;一种改进的人工鱼群算法[J];信息技术与信息化;2010年03期

4 韦修喜;曾海文;周永权;;云人工鱼群算法[J];计算机工程与应用;2010年22期

5 曾蒙迪;;人工鱼群算法的简介及应用[J];信息与电脑(理论版);2011年04期

6 李媛;;基于人工鱼群算法的多元线性回归分析问题处理[J];渤海大学学报(自然科学版);2011年02期

7 陈晓峰;宋杰;;量子人工鱼群算法[J];东北大学学报(自然科学版);2012年12期

8 王波;;基于细胞膜优化的人工鱼群算法研究[J];科技通报;2013年03期

9 王培崇;;人工鱼群算法研究综述[J];中国民航飞行学院学报;2013年04期

10 李晓磊,薛云灿,路飞,田国会;基于人工鱼群算法的参数估计方法[J];山东大学学报(工学版);2004年03期

中国重要会议论文全文数据库 前3条

1 李晓磊;钱积新;;人工鱼群算法:自下而上的寻优模式[A];过程系统工程2001年会论文集[C];2001年

2 徐公林;张铁龙;;人工鱼群算法在电力系统负荷模型参数辨识中的应用[A];中国高等学校电力系统及其自动化专业第二十四届学术年会论文集（中册）[C];2008年

3 刘耀年;姚玉萍;李迎红;刘俊峰;;基于人工鱼群算法RBF神经网络[A];第十届全国电工数学学术年会论文集[C];2005年

中国博士学位论文全文数据库 前3条

1 王联国;人工鱼群算法及其应用研究[D];兰州理工大学;2009年

2 李晓磊;一种新型的智能优化方法-人工鱼群算法[D];浙江大学;2003年

3 张梅凤;人工鱼群智能优化算法的改进及应用研究[D];大连理工大学;2008年

中国硕士学位论文全文数据库 前10条

1 陈斐;改进的人工鱼群算法分析与研究[D];西安电子科技大学;2012年

2 王蕾;一种人工萤火虫群优化算法改进的研究[D];青岛理工大学;2015年

3 马尧;基于改进的人工鱼群算法在商旅问题中的应用研究[D];西南交通大学;2015年

4 薛亚娣;改进的人工鱼群算法及其应用研究[D];兰州大学;2015年

5 彭鹏;配电网无功优化和跟踪调节技术研究[D];沈阳理工大学;2015年

6 崔淑慧;三维管路自动敷设算法及干涉校验方法研究[D];哈尔滨工业大学;2015年

7 黄锋;混沌人工鱼群算法及其在水库(群)优化调度中的应用[D];华北电力大学;2015年

8 刘翔;基于改进人工鱼群算法的化工过程优化[D];北京化工大学;2015年

9 喻俊松;基于改进人工鱼群算法无人机航迹规划研究[D];南昌航空大学;2015年

10 陈新;基于人工鱼群算法的柔性作业车间调度研究[D];大连理工大学;2015年

  本文关键词：人工鱼群算法优化的SVM在语音识别中的应用，，由笔耕文化传播整理发布。

本文编号：284038