優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)用于語音識別的研究.pdf

1、RBF神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)簡單、分類性能好、學習速度快、泛化能力強和不易陷入局部極小等優(yōu)點，因此在語音識別領(lǐng)域得到越來越廣泛的關(guān)注和應用。對于RBF 神經(jīng)網(wǎng)絡(luò)來說，基函數(shù)的中心是RBF神經(jīng)網(wǎng)絡(luò)的重要參數(shù)，它們的取值對網(wǎng)絡(luò)的性能有很大的影響。但是，傳統(tǒng)的RBF神經(jīng)網(wǎng)絡(luò)學習算法常常收斂于局部最佳值。RBF神經(jīng)網(wǎng)絡(luò)和模糊邏輯系統(tǒng)能夠?qū)崿F(xiàn)很好的互補，提高神經(jīng)網(wǎng)絡(luò)的學習泛化能力。
　　 本文在前人工作的基礎(chǔ)上提出了兩種改進算法。首先，本文用具

2、有全局搜索性能的遺傳算法訓練RBF 神經(jīng)網(wǎng)絡(luò)來確定其基函數(shù)的中心。遺傳算法中交叉概率和變異概率的選擇是影響遺傳算法行為和性能的關(guān)鍵所在，直接影響算法的收斂性。所以本文引入自然數(shù)編碼的自適應遺傳算法，根據(jù)個體的具體情況自適應地調(diào)整交叉概率和變異概率。用遺傳算法優(yōu)化的RBF網(wǎng)絡(luò)，增強了網(wǎng)絡(luò)的全局尋優(yōu)能力，提高了網(wǎng)絡(luò)的模式識別性能。將改進后的算法應用到語音識別系統(tǒng)中，實驗結(jié)果表明使用該方法的識別結(jié)果優(yōu)于使用K —均值聚類算法選取質(zhì)心的RBF網(wǎng)

3、絡(luò)的識別結(jié)果。其次，本文構(gòu)建了基于結(jié)構(gòu)等價型模糊RBF 神經(jīng)網(wǎng)絡(luò)的語音識別系統(tǒng)。提出了一種結(jié)構(gòu)等價型模糊RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和學習算法，采用五層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來實現(xiàn)模糊系統(tǒng)的模糊化和規(guī)則推理，神經(jīng)網(wǎng)絡(luò)的所有節(jié)點和參數(shù)對應模糊系統(tǒng)的隸屬度函數(shù)和推理過程。該網(wǎng)絡(luò)利用模糊推理系統(tǒng)和RBF網(wǎng)絡(luò)的等價特性，可以自動確定模糊規(guī)則數(shù)和隸屬度函數(shù)，解決了模糊系統(tǒng)如何自動生成和調(diào)整隸屬度函數(shù)和模糊規(guī)則的難題。
　　 本文根據(jù)待識別的詞匯數(shù)自動選擇模糊

4、規(guī)則數(shù)，采用監(jiān)督聚類方法和梯度下降法分兩步對系統(tǒng)參數(shù)進行訓練，其收斂速度比所有參數(shù)都用梯度下降算法訓練或者隸屬度函數(shù)的中心采用K-均值聚類算法學習快速得多且識別準確率高。同時與RBF神經(jīng)網(wǎng)絡(luò)算法進行了比較，實驗表明了該方法具有較高的識別率和魯棒性，以及對不同語音特征的適應性，可以作為進一步研究抗噪語音識別的基礎(chǔ)。最后，論文引入小波變換理論，用小波函數(shù)作為結(jié)構(gòu)等價型模糊RBF神經(jīng)網(wǎng)絡(luò)中的隸屬度函數(shù)，實驗結(jié)果表明，這種神經(jīng)網(wǎng)絡(luò)同樣可以獲得很