粒子群神經(jīng)網(wǎng)絡(luò)在語音識(shí)別中的研究與應(yīng)有.pdf

1、語音識(shí)別和人工神經(jīng)網(wǎng)絡(luò)模型長期以來都是學(xué)術(shù)界研究的重點(diǎn)，前者是方便計(jì)算機(jī)和人類交互的一種手段；后者使用數(shù)學(xué)方法對(duì)于人腦工作機(jī)制進(jìn)行抽象和建模。本文將二者結(jié)合，使用人工神經(jīng)網(wǎng)絡(luò)作為語音識(shí)別系統(tǒng)的識(shí)別模塊，在VC.NET環(huán)境下設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)由C++語言開發(fā)的漢語非特定人孤立詞識(shí)別系統(tǒng)。
　　 語音識(shí)別系統(tǒng)包括五個(gè)主要部分，預(yù)處理、語音增強(qiáng)、端點(diǎn)檢測(cè)、特征參數(shù)提取以及訓(xùn)練和識(shí)別。系統(tǒng)中前四部分主要涉及語音信號(hào)處理的內(nèi)容，本文所實(shí)現(xiàn)的

2、語音識(shí)別系統(tǒng)在語音增強(qiáng)和端點(diǎn)檢測(cè)模塊分別采用基于LPC全極點(diǎn)模型的語音增強(qiáng)算法及基于改進(jìn)的能量譜熵的語音信號(hào)端點(diǎn)檢測(cè)算法完成。在特征參數(shù)提取模塊分別提取了LPCC參數(shù)和MFCC參數(shù)。識(shí)別系統(tǒng)的訓(xùn)練模塊采用了具有良好的容錯(cuò)能力和分類能力、并行處理能力和自學(xué)習(xí)能力的人工神經(jīng)網(wǎng)絡(luò)模型。同時(shí)為了克服神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法存在的易陷入局部極小值和收斂速度慢等缺點(diǎn)，本文采用基本粒子群算法和三種改進(jìn)的粒子群算法對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程進(jìn)行優(yōu)化。
　　

3、在對(duì)語音識(shí)別相關(guān)問題和粒子群神經(jīng)網(wǎng)絡(luò)進(jìn)行深入研究的基礎(chǔ)上，本文使用C++語言搭建了針對(duì)非特定人的孤立詞語音識(shí)別系統(tǒng)，并設(shè)計(jì)和采集語料庫進(jìn)行必要的訓(xùn)練和實(shí)驗(yàn)；對(duì)于BP神經(jīng)網(wǎng)絡(luò)和粒子群神經(jīng)網(wǎng)絡(luò)在識(shí)別系統(tǒng)中的性能進(jìn)行相應(yīng)比較，得到實(shí)驗(yàn)結(jié)論。實(shí)驗(yàn)結(jié)論表明：粒子群神經(jīng)網(wǎng)絡(luò)作為識(shí)別模型能有效地優(yōu)化神經(jīng)網(wǎng)絡(luò)，加快收斂速度，避免出現(xiàn)“早熟”現(xiàn)象，大大提高了神經(jīng)網(wǎng)絡(luò)訓(xùn)練精度和系統(tǒng)識(shí)別率。
　　 最后本文對(duì)遇到的一些問題進(jìn)行了總結(jié)和分析，對(duì)需要改進(jìn)