隨著人工智能的發(fā)展,語音識別、語音預(yù)測已經(jīng)成為智能控制、個體識別、數(shù)據(jù)分析等重要應(yīng)用的基礎(chǔ)性工作之一。針對語音識別和預(yù)測問題,Volterra模型能夠?qū)r(shí)域和頻域進(jìn)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(diǎn)進(jìn)行預(yù)測,近些年來受到廣泛關(guān)注。Volterra模型作為級數(shù)函數(shù)展開式的應(yīng)用,是一種描述系統(tǒng)輸入輸出關(guān)系的函數(shù),能夠從數(shù)學(xué)模型上逼近原混沌系統(tǒng)的特征,通常在實(shí)際的應(yīng)用中,會將函數(shù)中的核函數(shù)進(jìn)行相應(yīng)的替換,利用替換后的核函數(shù)針對相應(yīng)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(yù)先設(shè)置模型的參數(shù),對于一些難以確定參數(shù)的語音時(shí)間序列需要進(jìn)行大量的預(yù)處理工作過程繁復(fù),至少需要得到序列的嵌入維和延遲時(shí)間。再通過手工設(shè)置,導(dǎo)入模型中。如果參數(shù)設(shè)置不當(dāng)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(xùn)練過程中,如果語音時(shí)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(yùn)算造成大量的不必要的系數(shù)運(yùn)算,導(dǎo)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(zāi)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(diǎn)。本文根據(jù)目前遇到的問題,對傳統(tǒng)的Volterra函數(shù)進(jìn)行了改進(jìn),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(yù)測模型。(1)為了克服傳統(tǒng)Volterra模型運(yùn)行效率低,需要大量復(fù)雜的預(yù)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(shí)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(shí)間,不需要再預(yù)先設(shè)置模型中樣本的基本參數(shù),加強(qiáng)了模型的自適應(yīng)性,提高了算法的運(yùn)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(jìn)的耗散粒子群算法求解模型系數(shù),利用改進(jìn)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(jìn)之后的耗散粒子群算法在算法的整個運(yùn)行過程中始終保持較高的耗散率,增加了運(yùn)行效率;本文采用英語音素、單詞為實(shí)驗(yàn)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(yù)測模型。(3)為了降低模型復(fù)雜度,在誤差允許范圍內(nèi)對Volterra模型進(jìn)行關(guān)鍵項(xiàng)的提取,減少了參數(shù)個數(shù),構(gòu)建了優(yōu)化后的語音預(yù)測模型。實(shí)驗(yàn)分析結(jié)果表明:基于隱相空間重構(gòu)的模型與改進(jìn)的耗散粒子群算法相結(jié)合所進(jìn)行的混沌語音時(shí)間序列預(yù)測,對于語音信號的單幀與多幀預(yù)測相比于線性模型有較好的精度,并且預(yù)測性能與基本耗散粒子群算法與Volterra模型相比較也有進(jìn)一步的提升,在語音預(yù)測的波形,在語音質(zhì)量、語音評價(jià)上也有進(jìn)一步的提升,完全可以滿足語音預(yù)測的要求。本文所提出的混沌語音信號的改進(jìn)模型以及將模型與改進(jìn)的耗散粒子群算法相結(jié)合的做法,為語音信號的預(yù)測提出了新的思路,可以被用于復(fù)雜語音時(shí)間序列的預(yù)測。
【學(xué)位單位】：陜西師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TN912.34
【部分圖文】：

?第二章混沌語音時(shí)間序列預(yù)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(dāng)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(shí)，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(jìn)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(yàn)證，一階核函數(shù)Ｈ（ｌ）項(xiàng)相比于其他項(xiàng)有較大的參數(shù)，屬??于關(guān)鍵項(xiàng)參數(shù)，因此可以得出Ｈ（ｌ）項(xiàng)就是關(guān)鍵的和函數(shù)之一。同時(shí)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(yùn)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(jìn)Ｖｏｌｔｅｒｒａ模型關(guān)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(jìn)Ｓ０ＶＦ模型對［ｂ］預(yù)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(shí)間序列［ｂ］混沌語音序列，了?ＬＰＣ線性預(yù)測模型進(jìn)行預(yù)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(yù)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(yù)測結(jié)以得出本文提出的模型預(yù)測效果無論是從語音波形和語音預(yù)測的相對要好于ＬＰＣ線性預(yù)測模型。??
【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 高文武;;泰勒多項(xiàng)式的教學(xué)探討[J];宿州學(xué)院學(xué)報(bào);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(yù)測中的應(yīng)用[J];中國科學(xué):物理學(xué) 力學(xué) 天文學(xué);2013年04期

3 姜長元;趙曙光;郭力爭;冀川;;改進(jìn)型耗散粒子群優(yōu)化算法[J];東華大學(xué)學(xué)報(bào)(自然科學(xué)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(jī)混沌運(yùn)行分析[J];微特電機(jī);2011年03期

5 張玉梅;曲仕茹;;基于混沌的交通流量Volterra自適應(yīng)預(yù)測模型[J];計(jì)算機(jī)應(yīng)用研究;2010年12期

6 孟凡輝,王秀坤,赫然,唐一源;一種改進(jìn)的耗散粒子群算法[J];計(jì)算機(jī)工程與應(yīng)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(xué)學(xué)報(bào);2004年06期

8 張家樹,肖先賜;混沌時(shí)間序列的Volterra自適應(yīng)預(yù)測[J];物理學(xué)報(bào);2000年03期

相關(guān)博士學(xué)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(shù)研究[D];暨南大學(xué);2016年

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

3 方仍存;電力系統(tǒng)負(fù)荷區(qū)間預(yù)測[D];華中科技大學(xué);2008年

相關(guān)碩士學(xué)位論文 前6條

1 高俊杰;混沌時(shí)間序列預(yù)測研究及應(yīng)用[D];上海交通大學(xué);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(xué);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(xué);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(shè)計(jì)的研究[D];西安電子科技大學(xué);2010年

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

6 張平偉;混沌同步及其應(yīng)用研究[D];廣西師范大學(xué);2005年

本文編號：2839513