隨著人工智能的發(fā)展,語音識別、語音預測已經(jīng)成為智能控制、個體識別、數(shù)據(jù)分析等重要應用的基礎性工作之一。針對語音識別和預測問題,Volterra模型能夠?qū)r域和頻域進行非線性系統(tǒng)分析,可以對非線性系統(tǒng)建模分析,綜合使用線性和非線性的特點進行預測,近些年來受到廣泛關注。Volterra模型作為級數(shù)函數(shù)展開式的應用,是一種描述系統(tǒng)輸入輸出關系的函數(shù),能夠從數(shù)學模型上逼近原混沌系統(tǒng)的特征,通常在實際的應用中,會將函數(shù)中的核函數(shù)進行相應的替換,利用替換后的核函數(shù)針對相應的非線性系統(tǒng)有良好的描述能力。傳統(tǒng)的Volterra模型需要預先設置模型的參數(shù),對于一些難以確定參數(shù)的語音時間序列需要進行大量的預處理工作過程繁復,至少需要得到序列的嵌入維和延遲時間。再通過手工設置,導入模型中。如果參數(shù)設置不當或者錯誤會造成Volterra模型核函數(shù)錯誤。其次,傳統(tǒng)的Volterra模型在訓練過程中,如果語音時間序列的嵌入維數(shù)過大,會引起核函數(shù)個數(shù)過多,而影響因素較小的參數(shù)會始終參與模型的運算造成大量的不必要的系數(shù)運算,導致Volterra模型的參數(shù)不能夠更新或者更新緩慢造成維數(shù)災難。傳統(tǒng)的Volterra模型在模型構(gòu)建過程中不能夠顯式地展示出模型的結(jié)構(gòu),不能夠分析出影響比較大的核函數(shù)系數(shù)。傳統(tǒng)的Volterra模型在構(gòu)建模型過程中搜索速度比一般模型較快,但是存在全局搜索能力和搜索精度不高的缺點。本文根據(jù)目前遇到的問題,對傳統(tǒng)的Volterra函數(shù)進行了改進,提出了一種基于隱相空間重構(gòu)的混沌語音信號非線性預測模型。(1)為了克服傳統(tǒng)Volterra模型運行效率低,需要大量復雜的預處理的情況,本文提出了基于隱相空間重構(gòu)的二階Volterra模型,模型在構(gòu)造過程中,避免了傳統(tǒng)方法中需要相空間重構(gòu)的過程,將相空間重構(gòu)過程隱含于語音時間序列SOVF模型求解過程之中,在算法求解模型系數(shù)過程中求得最優(yōu)的嵌入維和延遲時間,不需要再預先設置模型中樣本的基本參數(shù),加強了模型的自適應性,提高了算法的運行效率。(2)針對原始Volterra模型求解算法更新速度慢以及全局搜索能力不足、搜索精度不高,無法跳出局部最優(yōu)值的情況。本文引入改進的耗散粒子群算法求解模型系數(shù),利用改進的耗散粒子群算法不僅可以避免模型陷入局部最優(yōu)值,而且改進之后的耗散粒子群算法在算法的整個運行過程中始終保持較高的耗散率,增加了運行效率;本文采用英語音素、單詞為實驗樣本數(shù)據(jù),建立了基于動態(tài)均勻搜索粒子群優(yōu)化算法的二階Volterra語音預測模型。(3)為了降低模型復雜度,在誤差允許范圍內(nèi)對Volterra模型進行關鍵項的提取,減少了參數(shù)個數(shù),構(gòu)建了優(yōu)化后的語音預測模型。實驗分析結(jié)果表明:基于隱相空間重構(gòu)的模型與改進的耗散粒子群算法相結(jié)合所進行的混沌語音時間序列預測,對于語音信號的單幀與多幀預測相比于線性模型有較好的精度,并且預測性能與基本耗散粒子群算法與Volterra模型相比較也有進一步的提升,在語音預測的波形,在語音質(zhì)量、語音評價上也有進一步的提升,完全可以滿足語音預測的要求。本文所提出的混沌語音信號的改進模型以及將模型與改進的耗散粒子群算法相結(jié)合的做法,為語音信號的預測提出了新的思路,可以被用于復雜語音時間序列的預測。
【學位單位】：陜西師范大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TN912.34
【部分圖文】：

?第二章混沌語音時間序列預測理論???ａ＾Ｕ，ｄ）＝?＇?＾＋ｌ（ｙ）?￣?Ｘｄ｛｛ｉ）?＇?（２－１２）??丨丨－?ｚ，（ｉ）丨丨??這樣對于一個確定的嵌入維數(shù)，當在求取過程中，我們所求的嵌入維數(shù)大于??語音原始的嵌入維數(shù)時，誤差不再增加，因此我們只需要嵌入維數(shù)極小值就可以??得到。我們對本文中所提到的語音樣本求取了嵌入維數(shù)。??丨ｄｚｊ語音嵌入維數(shù)??ｉ?＾?［ｄ〇ｉｇ音嵌入１２：?＇?＇?＇?＇?＇?＇?＇?＇??

?４??記憶長度??圖３］改進Ｖｏｌｔｅｒｒａ模型中［ｄｒ］的一階核函數(shù)??Ｆｉｇ?３－ｌ?Ｔｈｅ?ｆｉｒｓｔ－ｏｒｄｅｒ?ｋｅｒｎｅｌ?ｆｕｎｃｔｉｏｎ?ｏｆ?［ｄｒ］?ｉｎ?ｉｍｐｒｏｖｅｄ?Ｖｏｌｔｅｒｒａ?ｍｏｄｅｌ??由上圖中同樣可以驗證，一階核函數(shù)Ｈ（ｌ）項相比于其他項有較大的參數(shù)，屬??于關鍵項參數(shù)，因此可以得出Ｈ（ｌ）項就是關鍵的和函數(shù)之一。同時可以從圖中得??到得到，［ｄｒ］語音的嵌入維數(shù)為５。根據(jù)Ｖｏｌｔｅｒｒａ運算的核函數(shù)Ｍ?＝?（ｗ２＋３ｍ）／２，??則可以得到二階核函數(shù)的個數(shù)為１５個。??１０?丫??ｉ?＇??記憶長度?０?〇?記憶長度??圖３－２改進Ｖｏｌｔｅｒｒａ模型關鍵二階核函數(shù)??Ｆｉｇ?３－２?Ｔｈｅ?ｓｅｃｏｎｄ－ｏｒｄｅｒ?ｋｅｒｎｅｌ?ｆｕｎｃｔｉｏｎ?ｏｆ?［ｄｒ］?ｉｎ?ｉｍｐｒｏｖｅｄ?Ｖｏｌｔｅｒｒａ?ｍｏｄｅｌ??２６??

圖３＿３改進Ｓ０ＶＦ模型對［ｂ］預測波形對比圖??Ｆｉｇ?３－３?ｃｏｍｐａｒｉｓｏｎ?ｏｆ?［ｂ］?ｐｒｅｄｉｃｔｉｏｎ?ｗａｖｅｆｏｒｍ?ｉｍｐｒｏｖｅｄ?ＳＯＶＦ?ｍｏｄｅｌ??上圖所知，我們選用了具有混沌特性的語音時間序列［ｂ］混沌語音序列，了?ＬＰＣ線性預測模型進行預測，從波形上看，本文提出的模型要更接音波形的波峰與波谷等特征，ＬＰＣ預測的語音波形雖然在外觀上與原似，但是可以看出，模型的上下限均比本文提出的Ｖｏｈｅｒｒａ的上下限要兩者的誤差對比來看，明顯發(fā)現(xiàn)本文提出模型誤差要小于ＬＰＣ預測結(jié)以得出本文提出的模型預測效果無論是從語音波形和語音預測的相對要好于ＬＰＣ線性預測模型。??
【參考文獻】

相關期刊論文 前8條

1 高文武;;泰勒多項式的教學探討[J];宿州學院學報;2015年05期

2 張玉梅;吳曉軍;白樹林;;基于DFP的二階Volterra濾波器及其在混沌序列預測中的應用[J];中國科學:物理學 力學 天文學;2013年04期

3 姜長元;趙曙光;郭力爭;冀川;;改進型耗散粒子群優(yōu)化算法[J];東華大學學報(自然科學版);2012年03期

4 史敬灼;李文娟;;基于相空間重構(gòu)的兩相行波超聲波電動機混沌運行分析[J];微特電機;2011年03期

5 張玉梅;曲仕茹;;基于混沌的交通流量Volterra自適應預測模型[J];計算機應用研究;2010年12期

6 孟凡輝,王秀坤,赫然,唐一源;一種改進的耗散粒子群算法[J];計算機工程與應用;2005年12期

7 張華君,韓崇昭;基于變步長分塊濾波器的Volterra級數(shù)簡化辨識方法[J];西安交通大學學報;2004年06期

8 張家樹,肖先賜;混沌時間序列的Volterra自適應預測[J];物理學報;2000年03期

相關博士學位論文 前3條

1 潘哲朗;微小生物體的數(shù)字全息顯微層析成像技術研究[D];暨南大學;2016年

2 程長明;基于Volterra級數(shù)的非線性系統(tǒng)辨識及其應用研究[D];上海交通大學;2015年

3 方仍存;電力系統(tǒng)負荷區(qū)間預測[D];華中科技大學;2008年

相關碩士學位論文 前6條

1 高俊杰;混沌時間序列預測研究及應用[D];上海交通大學;2013年

2 張科娜;基于IEEE802.11e無線局域網(wǎng)的語音質(zhì)量研究[D];浙江工業(yè)大學;2012年

3 周立啟;基于Volterra級數(shù)的非線性模擬電路故障診斷方法的研究[D];西安電子科技大學;2012年

4 韓芹;基于伏特拉級數(shù)法的微波非線性散射函數(shù)建模與設計的研究[D];西安電子科技大學;2010年

5 萬茂文;基于DSP語音頻譜包絡提取方法的研究及實現(xiàn)[D];中南大學;2008年

6 張平偉;混沌同步及其應用研究[D];廣西師范大學;2005年

本文編號：2839513