人工魚群算法優(yōu)化的SVM在語音識別中的應用.pdf

1、語音作為通信系統(tǒng)中最自然的通信媒介，在任何時候都發(fā)揮著巨大的作用。隨著信息化社會的不斷發(fā)展，人們更加期待機器能夠聽懂人類的語音實現(xiàn)智能化。因此，作為人機交互技術的重要內(nèi)容，語音識別自然成為了人們研究的熱點，現(xiàn)已得到廣泛的應用。
　　支持向量機（SVM）是一種新型的機器學習方法，可以有效地解決小樣本、過學習、非線性和維數(shù)災難等問題。該模型以統(tǒng)計學理論中的 VC維概念和結構風險最小化原理為基礎，其學習能力的好壞主要取決于SVM中懲罰因

2、子、核函數(shù)與核參數(shù)的選取，但目前仍未有統(tǒng)一的理論作指導。
　　利用SVM模型對語音系統(tǒng)進行識別時，其參數(shù)的選擇會直接影響系統(tǒng)最終的識別效果。選用人工魚群算法（AFSA）可以實現(xiàn)對支持向量機參數(shù)的優(yōu)化，但該算法容易陷入局部最優(yōu)，出現(xiàn)早熟收斂現(xiàn)象。因此，本文通過結合混沌模型實現(xiàn)了對人工魚群算法中各行為的改進，提出了一種混沌人工魚群算法（CAFSA）優(yōu)化SVM參數(shù)的方法，并采用測試函數(shù)進行測試，再將尋優(yōu)產(chǎn)生的SVM模型運用到韓語庫和Au

3、rora2語音庫中。實驗結果表明，基于混沌人工魚群算法的SVM模型與基于人工魚群算法的SVM模型相比，收斂速度明顯加快，語音識別率也有不同程度的提高。
　　其次，為了進一步提高系統(tǒng)的語音識別率，縮短最佳參數(shù)的尋優(yōu)時間，本文又提出了一種基于變異人工魚群算法（MAFSA）的 SVM參數(shù)優(yōu)化方法。該算法對 AFSA的行為結構進行了改進，引入個體行為和團體行為，同時自適應更新了魚群的視野范圍，并通過測試函數(shù)對其進行測試和比較，再將尋優(yōu)的參