發(fā)布時間：2017-04-03 09:04

  本文關(guān)鍵詞：人工魚群算法優(yōu)化的SVM在語音識別中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

【摘要】：語音作為通信系統(tǒng)中最自然的通信媒介,在任何時候都發(fā)揮著巨大的作用。隨著信息化社會的不斷發(fā)展,人們更加期待機器能夠聽懂人類的語音實現(xiàn)智能化。因此,作為人機交互技術(shù)的重要內(nèi)容,語音識別自然成為了人們研究的熱點,現(xiàn)已得到廣泛的應(yīng)用。支持向量機(SVM)是一種新型的機器學(xué)習(xí)方法,可以有效地解決小樣本、過學(xué)習(xí)、非線性和維數(shù)災(zāi)難等問題。該模型以統(tǒng)計學(xué)理論中的VC維概念和結(jié)構(gòu)風(fēng)險最小化原理為基礎(chǔ),其學(xué)習(xí)能力的好壞主要取決于SVM中懲罰因子、核函數(shù)與核參數(shù)的選取,但目前仍未有統(tǒng)一的理論作指導(dǎo)。利用SVM模型對語音系統(tǒng)進(jìn)行識別時,其參數(shù)的選擇會直接影響系統(tǒng)最終的識別效果。選用人工魚群算法(AFSA)可以實現(xiàn)對支持向量機參數(shù)的優(yōu)化,但該算法容易陷入局部最優(yōu),出現(xiàn)早熟收斂現(xiàn)象。因此,本文通過結(jié)合混沌模型實現(xiàn)了對人工魚群算法中各行為的改進(jìn),提出了一種混沌人工魚群算法(CAFSA)優(yōu)化SVM參數(shù)的方法,并采用測試函數(shù)進(jìn)行測試,再將尋優(yōu)產(chǎn)生的SVM模型運用到韓語庫和Aurora 2語音庫中。實驗結(jié)果表明,基于混沌人工魚群算法的SVM模型與基于人工魚群算法的SVM模型相比,收斂速度明顯加快,語音識別率也有不同程度的提高。其次,為了進(jìn)一步提高系統(tǒng)的語音識別率,縮短最佳參數(shù)的尋優(yōu)時間,本文又提出了一種基于變異人工魚群算法(MAFSA)的SVM參數(shù)優(yōu)化方法。該算法對AFSA的行為結(jié)構(gòu)進(jìn)行了改進(jìn),引入個體行為和團(tuán)體行為,同時自適應(yīng)更新了魚群的視野范圍,并通過測試函數(shù)對其進(jìn)行測試和比較,再將尋優(yōu)的參數(shù)應(yīng)用在韓語庫和Aurora 2語音庫中進(jìn)行仿真。實驗結(jié)果表明,變異人工魚群算法較其他兩種優(yōu)化算法對SVM參數(shù)的尋優(yōu)速度更快,得到的系統(tǒng)語音識別率更高。
【關(guān)鍵詞】：支持向量機 參數(shù)優(yōu)化 混沌人工魚群算法 變異人工魚群算法 語音識別
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP18;TN912.34
【目錄】：

• 摘要3-5
• abstract5-9
• 第一章 緒論9-15
• 1.1 選題背景及意義9
• 1.2 語音識別的發(fā)展現(xiàn)狀9-11
• 1.3 支持向量機的參數(shù)優(yōu)化方法11-12
• 1.4 人工魚群算法的改進(jìn)研究與應(yīng)用12-13
• 1.5 論文主要研究內(nèi)容13
• 1.6 論文結(jié)構(gòu)和章節(jié)安排13-15
• 第二章 支持向量機概述15-29
• 2.1 統(tǒng)計學(xué)習(xí)理論基礎(chǔ)15-18
• 2.1.1 VC維概念15-16
• 2.1.2 推廣性的界16
• 2.1.3 結(jié)構(gòu)風(fēng)險最小化16-18
• 2.2 支持向量機基礎(chǔ)研究18-21
• 2.2.1 最優(yōu)分類面18-19
• 2.2.2 核函數(shù)19-20
• 2.2.3 支持向量機與參數(shù)的關(guān)系20-21
• 2.3 支持向量機分類原理21-24
• 2.3.1 線性支持向量機21-22
• 2.3.2 線性不可分支持向量機22-23
• 2.3.3 非線性支持向量機23-24
• 2.4 支持向量機的變形算法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 本章小結(jié)27-29
• 第三章 混沌人工魚群算法對SVM參數(shù)的優(yōu)化及應(yīng)用29-45
• 3.1 人工魚群算法基本原理29-32
• 3.1.1 人工魚群算法基本行為描述29-30
• 3.1.2 人工魚群算法流程30-31
• 3.1.3 人工魚群算法參數(shù)介紹31-32
• 3.2 混沌人工魚群算法32-38
• 3.2.1 Logistic混沌系統(tǒng)33
• 3.2.2 混沌人工魚群算法基本思想及流程33-35
• 3.2.3 混沌人工魚群算法仿真測試35-38
• 3.3 混沌人工魚群算法對SVM參數(shù)的優(yōu)化及在語音識別中的應(yīng)用38-44
• 3.3.1 混沌人工魚群算法優(yōu)化SVM參數(shù)的實現(xiàn)38-40
• 3.3.2 實驗仿真與分析40-44
• 3.4 本章小結(jié)44-45
• 第四章 變異人工魚群算法對SVM參數(shù)的優(yōu)化及應(yīng)用45-57
• 4.1 視野的改進(jìn)思想45
• 4.2 變異人工魚群算法45-50
• 4.2.1 變異人工魚群算法的提出46-47
• 4.2.2 變異人工魚群算法流程47-48
• 4.2.3 變異人工魚群算法仿真測試48-50
• 4.3 變異人工魚群算法對SVM參數(shù)的優(yōu)化及其應(yīng)用50-55
• 4.3.1 變異人工魚群算法優(yōu)化SVM參數(shù)的實現(xiàn)50-52
• 4.3.2 實驗仿真與分析52-55
• 4.4 本章小結(jié)55-57
• 第五章 總結(jié)與展望57-59
• 5.1 總結(jié)57-58
• 5.2 展望58-59
• 參考文獻(xiàn)59-65
• 致謝65-67
• 攻讀碩士學(xué)位期間發(fā)表的論文67

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 曲良東;何登旭;;改進(jìn)的人工魚群算法及其在近似求導(dǎo)中的應(yīng)用[J];微電子學(xué)與計算機;2009年05期

2 王聯(lián)國;洪毅;趙付青;余冬梅;;一種簡化的人工魚群算法[J];小型微型計算機系統(tǒng);2009年08期

3 王宗利;劉希玉;王文平;;一種改進(jìn)的人工魚群算法[J];信息技術(shù)與信息化;2010年03期

4 韋修喜;曾海文;周永權(quán);;云人工魚群算法[J];計算機工程與應(yīng)用;2010年22期

5 曾蒙迪;;人工魚群算法的簡介及應(yīng)用[J];信息與電腦(理論版);2011年04期

6 李媛;;基于人工魚群算法的多元線性回歸分析問題處理[J];渤海大學(xué)學(xué)報(自然科學(xué)版);2011年02期

7 陳曉峰;宋杰;;量子人工魚群算法[J];東北大學(xué)學(xué)報(自然科學(xué)版);2012年12期

8 王波;;基于細(xì)胞膜優(yōu)化的人工魚群算法研究[J];科技通報;2013年03期

9 王培崇;;人工魚群算法研究綜述[J];中國民航飛行學(xué)院學(xué)報;2013年04期

10 李曉磊,薛云燦,路飛,田國會;基于人工魚群算法的參數(shù)估計方法[J];山東大學(xué)學(xué)報(工學(xué)版);2004年03期

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 李曉磊;錢積新;;人工魚群算法:自下而上的尋優(yōu)模式[A];過程系統(tǒng)工程2001年會論文集[C];2001年

2 徐公林;張鐵龍;;人工魚群算法在電力系統(tǒng)負(fù)荷模型參數(shù)辨識中的應(yīng)用[A];中國高等學(xué)校電力系統(tǒng)及其自動化專業(yè)第二十四屆學(xué)術(shù)年會論文集（中冊）[C];2008年

3 劉耀年;姚玉萍;李迎紅;劉俊峰;;基于人工魚群算法RBF神經(jīng)網(wǎng)絡(luò)[A];第十屆全國電工數(shù)學(xué)學(xué)術(shù)年會論文集[C];2005年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 王聯(lián)國;人工魚群算法及其應(yīng)用研究[D];蘭州理工大學(xué);2009年

2 李曉磊;一種新型的智能優(yōu)化方法-人工魚群算法[D];浙江大學(xué);2003年

3 張梅鳳;人工魚群智能優(yōu)化算法的改進(jìn)及應(yīng)用研究[D];大連理工大學(xué);2008年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 陳斐;改進(jìn)的人工魚群算法分析與研究[D];西安電子科技大學(xué);2012年

2 王蕾;一種人工螢火蟲群優(yōu)化算法改進(jìn)的研究[D];青島理工大學(xué);2015年

3 馬堯;基于改進(jìn)的人工魚群算法在商旅問題中的應(yīng)用研究[D];西南交通大學(xué);2015年

4 薛亞娣;改進(jìn)的人工魚群算法及其應(yīng)用研究[D];蘭州大學(xué);2015年

5 彭鵬;配電網(wǎng)無功優(yōu)化和跟蹤調(diào)節(jié)技術(shù)研究[D];沈陽理工大學(xué);2015年

6 崔淑慧;三維管路自動敷設(shè)算法及干涉校驗方法研究[D];哈爾濱工業(yè)大學(xué);2015年

7 黃鋒;混沌人工魚群算法及其在水庫(群)優(yōu)化調(diào)度中的應(yīng)用[D];華北電力大學(xué);2015年

8 劉翔;基于改進(jìn)人工魚群算法的化工過程優(yōu)化[D];北京化工大學(xué);2015年

9 喻俊松;基于改進(jìn)人工魚群算法無人機航跡規(guī)劃研究[D];南昌航空大學(xué);2015年

10 陳新;基于人工魚群算法的柔性作業(yè)車間調(diào)度研究[D];大連理工大學(xué);2015年

  本文關(guān)鍵詞：人工魚群算法優(yōu)化的SVM在語音識別中的應(yīng)用，，由筆耕文化傳播整理發(fā)布。

本文編號：284038