基于遺傳算法的聚類方法對EBF網絡的優(yōu)化及其應用.pdf

1、說話人識別是模式識別的一種,它用語音信號和預先提取的說話人特征作為生物特征,確定或鑒別說話人的身份,符合當今信息化時代對身份驗證的需求.人們已經認識到,語音信號中存在著非線性性質,而神經網絡技術具有任意非線性逼近能力,自然成為話者識別研究中的一個重要方法.從模式識別角度看,目前國際上絕大多數的研究都集中在各種神經網絡方法上,特別像具有分類特征的徑向基核函數(RBF)神經網絡.RBF神經網絡中隱層的訓練過程屬于一個聚類過程,聚類的好壞直接

2、影響了神經網絡的執(zhí)行效果,目前基于目標函數的模糊K-均值算法(FKM)是應用最廣泛的模糊聚類算法.本文提出了一種先進的聚類算法--基于兩級自適應遺傳算法(MTLAGA)的聚類方法,試圖同時解決模糊K-均值算法對中心點數目以及初始中心位置敏感的兩大問題.針對說話人特征的復雜分布,提出了擴展的RBF神經網絡--橢圓基核函數(EBF)神經網絡,充分利用EBF網絡的全協(xié)方差矩陣對復雜分布的表征能力,并將MTLAGA聚類算法作為EBF神經網絡隱層

3、參數的確定方法,形成本文話者確認的方法.本文通過文本獨立的話者確認實驗,證實了采用MTLAGA聚類算法的EBF神經網絡大大提高了說話人識別率.相比較采用FKM聚類算法的EBF神經網絡,基于MTLAGA聚類算法的EBF神經網絡獲得了更高的識別率,證明針對復雜分布的說話人特征的聚類,即使在已知聚類中心點數目的情況下,不恰當的初始中心易使FKM算法陷入局部極小點,而MTLAGA聚類算法利用遺傳算法全局優(yōu)化的特點,克服了FKM算法的這種缺陷.另