基于GA-ACO算法和BP神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別研究.pdf

1、語(yǔ)音作為人與人之間彼此交流最為重要的一種工具，在人工智能的組成中起到了極為重要的作用。隨著計(jì)算機(jī)技術(shù)和通信技術(shù)的快速進(jìn)步與發(fā)展，使它在各個(gè)行業(yè)中有著很好的前景，所以備受人們的重視，歷來(lái)它都是根據(jù)線性理論來(lái)研究的，我們經(jīng)常使用的方法就是動(dòng)態(tài)時(shí)間規(guī)整技術(shù)（DTW）和隱馬爾可夫模型（HMM）。當(dāng)然，語(yǔ)音識(shí)別過(guò)程并不是一個(gè)簡(jiǎn)單的線性過(guò)程，其非線性使得利用線性理論來(lái)識(shí)別的方法的缺陷慢慢都展現(xiàn)出來(lái)了。近年來(lái)，人們對(duì)神經(jīng)網(wǎng)絡(luò)的研究越來(lái)越多，對(duì)其非線性

2、理論更加了解了，把其用于語(yǔ)音識(shí)別中，能夠得到更好的效果，因此，它也成為了如今研究的焦點(diǎn)。
　　本文通過(guò)分析語(yǔ)音識(shí)別中的預(yù)處理、特征提取以及模式訓(xùn)練及匹配流程，發(fā)現(xiàn)最常用的方法有：預(yù)處理包括濾波采樣、預(yù)加重、分幀加窗和端點(diǎn)檢測(cè)。特征提取中闡述了線性預(yù)測(cè)系數(shù)（LPC）、線性預(yù)測(cè)倒譜系數(shù)（LPCC）和MEL頻率倒譜系數(shù)（MFCC）三種基本方法。模式訓(xùn)練及匹配中闡述了動(dòng)態(tài)時(shí)間規(guī)整算法（DTW）、隱馬爾科夫模型（HMM）和神經(jīng)網(wǎng)絡(luò)模型（AN

3、N）。本文主要就前饋神經(jīng)網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)）的原理及其在語(yǔ)音識(shí)別的應(yīng)用上進(jìn)行了深入研究，針對(duì)該方法的不足之處，提出了將 GA-ACO融合算法與其相結(jié)合，優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢，存在局部極小值，動(dòng)態(tài)性能不夠理想，學(xué)習(xí)精度受一定的限制的不足，提出了一種新的方法來(lái)實(shí)現(xiàn)語(yǔ)音識(shí)別，而且在文中用此方法進(jìn)行了MATLAB仿真實(shí)驗(yàn)，驗(yàn)證了其可行性。
　　對(duì)于非指定人、單獨(dú)數(shù)字的辨認(rèn)，本文按照語(yǔ)音識(shí)別的基本方法，考慮到

4、BP神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)，用GA-ACO融合算法對(duì)其訓(xùn)練，形成了新的語(yǔ)音識(shí)別方法，并仿真了用新方法和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行語(yǔ)音識(shí)別的不同結(jié)果，而且討論了不同特征參數(shù)、訓(xùn)練集、隱含層神經(jīng)元個(gè)數(shù)對(duì)辨認(rèn)精度的影響。
　　研究結(jié)果表明，本文提出的基于 GA-ACO融合算法的神經(jīng)網(wǎng)絡(luò)識(shí)別方法顯示出其快速學(xué)習(xí)網(wǎng)絡(luò)權(quán)值的能力，能夠消除傳統(tǒng)BP算法容易陷入局部極值和如何選取算法初始權(quán)重值來(lái)快速達(dá)到設(shè)定精度的困擾，從各個(gè)方面都能夠比傳統(tǒng)BP算法效果更好