加權(quán)改進(jìn)的支持向量機(jī)在低信噪比語音識(shí)別中的應(yīng)用.pdf

1、近年來隨著信息技術(shù)的快速發(fā)展，計(jì)算機(jī)成為人們工作、學(xué)習(xí)以及生活中不可或缺的重要部分，為人們帶來了很大的便利。在人機(jī)交互過程中，與鼠標(biāo)、鍵盤、觸摸屏等接觸式設(shè)備相比，語音識(shí)別是一種更加便捷的方式，同時(shí)語音識(shí)別技術(shù)也是實(shí)現(xiàn)智能化人機(jī)交互的有效途徑。
　　支持向量機(jī)(Support vector machines，SVM)是一種新型的機(jī)器學(xué)習(xí)算法，它的理論基礎(chǔ)是結(jié)構(gòu)風(fēng)險(xiǎn)最小化以及VC維理論，其能夠有效地處理小樣本問題、非線性問題以及高維

2、度問題。由于具有這些優(yōu)點(diǎn)，SVM成為了機(jī)器學(xué)習(xí)算法領(lǐng)域的研究熱點(diǎn)，越來越多的學(xué)者致力于其基本理論以及改進(jìn)方法的研究。
　　SVM在語音識(shí)別中已經(jīng)取得很好的效果，但是其在低信噪比語音環(huán)境下的識(shí)別性能還需要進(jìn)一步提高，模糊支持向量機(jī)具有很好的抗噪性，本文首先分析了模糊支持向量機(jī)的基本原理，并且通過特征加權(quán)對(duì)其進(jìn)行了改進(jìn)，改進(jìn)后的算法能夠兼顧到樣本的各維特征對(duì)分類結(jié)果的貢獻(xiàn)。最后通過韓語語料庫(kù)和Aurora-2語料庫(kù)進(jìn)行仿真實(shí)驗(yàn)，驗(yàn)證了

3、該算法的有效性。
　　再者，通過分析加權(quán)集成算法AdaBoost(adaptive boosting，自適應(yīng)增強(qiáng))的基本原理，將多個(gè)SVM分類器進(jìn)行集成，構(gòu)造了SVM集成分類器。本文將AdaBoost系列中用于多分類的AdaBoost.M2算法和支持向量機(jī)進(jìn)行結(jié)合，用于語音識(shí)別中。為了進(jìn)一步改善性能，用GeesePSO算法對(duì)權(quán)值進(jìn)行優(yōu)化，選出最優(yōu)的權(quán)值組成強(qiáng)分類器。最后通過韓語語料庫(kù)和Aurora-2語料庫(kù)進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果驗(yàn)