本文關(guān)鍵詞：基于GA-ACO算法和BP神經(jīng)網(wǎng)絡(luò)的語音識別研究

  更多相關(guān)文章： 語音識別 BP神經(jīng)網(wǎng)絡(luò) GA-ACO融合算法 辨認精度

【摘要】：語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。隨著計算機技術(shù)和通信技術(shù)的快速進步與發(fā)展,使它在各個行業(yè)中有著很好的前景,所以備受人們的重視,歷來它都是根據(jù)線性理論來研究的,我們經(jīng)常使用的方法就是動態(tài)時間規(guī)整技術(shù)(DTW)和隱馬爾可夫模型(HMM)。當然,語音識別過程并不是一個簡單的線性過程,其非線性使得利用線性理論來識別的方法的缺陷慢慢都展現(xiàn)出來了。近年來,人們對神經(jīng)網(wǎng)絡(luò)的研究越來越多,對其非線性理論更加了解了,把其用于語音識別中,能夠得到更好的效果,因此,它也成為了如今研究的焦點。本文通過分析語音識別中的預(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、分幀加窗和端點檢測。特征提取中闡述了線性預(yù)測系數(shù)(LPC)、線性預(yù)測倒譜系數(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態(tài)時間規(guī)整算法(DTW)、隱馬爾科夫模型(HMM)和神經(jīng)網(wǎng)絡(luò)模型(ANN)。本文主要就前饋神經(jīng)網(wǎng)絡(luò)(BP神經(jīng)網(wǎng)絡(luò))的原理及其在語音識別的應(yīng)用上進行了深入研究,針對該方法的不足之處,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實現(xiàn)語音識別,而且在文中用此方法進行了MATLAB仿真實驗,驗證了其可行性。對于非指定人、單獨數(shù)字的辨認,本文按照語音識別的基本方法,考慮到BP神經(jīng)網(wǎng)絡(luò)的缺點,用GA-ACO融合算法對其訓(xùn)練,形成了新的語音識別方法,并仿真了用新方法和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)方法進行語音識別的不同結(jié)果,而且討論了不同特征參數(shù)、訓(xùn)練集、隱含層神經(jīng)元個數(shù)對辨認精度的影響。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)重值來快速達到設(shè)定精度的困擾,從各個方面都能夠比傳統(tǒng)BP算法效果更好,有較高的辨認精確度,能夠更好地投入到應(yīng)用中。
【學(xué)位授予單位】：湘潭大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TN912.34;TP183
，

本文編號：1294408