人工蜂群算法及其在語音識(shí)別中的應(yīng)用研究.pdf

1、群智能優(yōu)化算法是受自然界中群居生物生活習(xí)性的啟發(fā)而提出用來解決復(fù)雜優(yōu)化問題的算法，目前已成為解決優(yōu)化問題的研究熱點(diǎn)。人工蜂群算法就是受蜜蜂采蜜行為的啟發(fā)而提出的一種新型群智能優(yōu)化算法。人工蜂群算法由于在尋優(yōu)過程中能很好地兼顧食物源的開采和探測(cè)過程，能在一定程度上跳出局部最優(yōu)，以較大的概率找到全局最優(yōu)解，因而深受廣大學(xué)者的關(guān)注。
　　 語音識(shí)別技術(shù)是實(shí)現(xiàn)人與計(jì)算機(jī)能很好交流的關(guān)鍵技術(shù)，而語音識(shí)別模型是語音識(shí)別的重要模塊，因此如何使

2、識(shí)別模型更優(yōu)是語音識(shí)別領(lǐng)域的重點(diǎn)課題。本文在對(duì)人工蜂群算法的性能分析和理論研究的基礎(chǔ)上，提出了兩種改進(jìn)的人工蜂群算法，并探討了人工蜂群算法在語音識(shí)別模型中的應(yīng)用，識(shí)別結(jié)果顯示了人工蜂群算法及改進(jìn)的人工蜂群算法良好的性能。本文的主要內(nèi)容和創(chuàng)新性成果如下:
　　 (1)闡述了人工蜂群算法的產(chǎn)生背景及研究現(xiàn)狀，深入研究了人工蜂群算法的產(chǎn)生機(jī)理，分析了人工蜂群算法與其他智能優(yōu)化算法的共性和特性及算法的時(shí)間復(fù)雜度，用標(biāo)準(zhǔn)函數(shù)測(cè)試了人工蜂群

3、算法的優(yōu)化性能。
　　 (2)對(duì)人工蜂群算法進(jìn)行了理論研究。對(duì)人工蜂及人工蜂群的狀態(tài)及狀態(tài)空間進(jìn)行了嚴(yán)格的數(shù)學(xué)定義，給出了人工蜂群的一步轉(zhuǎn)移概率，證明了人工蜂群狀態(tài)轉(zhuǎn)移過程是有限齊次的Markov鏈。根據(jù)隨機(jī)優(yōu)化的收斂準(zhǔn)則，分析了人工蜂群算法的全局收斂性。利用鞅定義和下鞅收斂定理，分析了人工蜂群算法搜索過程中適應(yīng)度的變化過程實(shí)質(zhì)上是一個(gè)下鞅隨機(jī)過程，證明了算法的處處收斂性。
　　 (3)針對(duì)人工蜂群算法易早熟和收斂速度慢

4、等缺陷，本文從兩個(gè)角度出發(fā)提出了兩種改進(jìn)的人工蜂群算法。①混沌時(shí)變?nèi)斯し淙核惴?。采用了混沌映射初始化種群來增加種群的遍歷性，在跟隨蜂搜索方程中加入時(shí)變參數(shù)因子，使跟隨蜂在搜索過程中根據(jù)迭代次數(shù)的變化不斷改變其搜索空間，加快搜索效率，同時(shí)為了使算法能更好的跳出局部最優(yōu)，在偵查蜂搜索階段引入混沌搜索。②排序分裂選擇的人工蜂群算法。跟隨蜂選擇食物源時(shí)先依據(jù)排序選擇策略對(duì)適應(yīng)度值排序，然后把排列序號(hào)按分裂選擇的思想計(jì)算選擇概率，在維持種群多樣性

5、的同時(shí)，提高了搜索精度。
　　 (4)針對(duì)離散隱馬爾可夫(DHMM)孤立詞語音識(shí)別系統(tǒng)中由矢量量化引起的量化誤差造成識(shí)別率低的問題，在分析LBG算法的基礎(chǔ)上，提出了人工蜂群算法和混沌時(shí)變?nèi)斯し淙核惴ǖ拇a書設(shè)計(jì)方法。算法中食物源代表碼字，適應(yīng)度函數(shù)用矢量量化的失真測(cè)度表示，算法的搜索過程就是最優(yōu)碼書的生成過程。將人工蜂群算法和混沌時(shí)變?nèi)斯し淙核惴☉?yīng)用到DHMM的語音識(shí)別系統(tǒng)中，識(shí)別結(jié)果與粒子群初始化碼書的LBG算法及LBG算法的D

6、HMM語音識(shí)別系統(tǒng)的識(shí)別結(jié)果相比，顯示出這種方法的可行性及CTABC算法很好的尋優(yōu)能力。
　　 (5)為了解決模糊神經(jīng)網(wǎng)絡(luò)的傳統(tǒng)訓(xùn)練算法BP算法不能很好地找到全局最優(yōu)及易陷入局部極小值等問題，提出了采用人工蜂群算法和排序分裂選擇的人工蜂群算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的隸屬度中心，寬度由中心周圍的樣本點(diǎn)確定，偽逆法計(jì)算模糊神經(jīng)網(wǎng)絡(luò)權(quán)值矩陣的混合優(yōu)化算法。將優(yōu)化后的模糊神經(jīng)網(wǎng)絡(luò)用于語音識(shí)別，識(shí)別結(jié)果與粒子群算法和BP算法優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)相

7、比，表明這種混合學(xué)習(xí)算法的有效性，同時(shí)顯示出排序分裂選擇的人工蜂群算法算法容易跳出局部極值，能很好地找到全局最優(yōu)，且提高了模糊神經(jīng)網(wǎng)絡(luò)的魯棒性和識(shí)別率。
　　 (6)由于支持向量機(jī)的核函數(shù)及參數(shù)對(duì)支持向量機(jī)的分類性能有很大的影響，因此選擇好的參數(shù)優(yōu)化方法對(duì)支持向量機(jī)來說是非常必要的。針對(duì)傳統(tǒng)支持向量機(jī)參數(shù)選擇方法易陷入局部極值的問題，提出了人工蜂群算法的支持向量機(jī)參數(shù)優(yōu)化方法。該方法中用食物源位置表示支持向量機(jī)的懲罰因子和核參數(shù)