V支持向量機中參數的優(yōu)化及在語音識別中的應用.pdf

1、目前,機器在人們的生產與生活中扮演著重要的角色,因此改善人和機器之間的關系,使機器能夠更好的為人類服務變的越來越重要。支持向量機是一種機器分類機,是機器學習的新算法。標準的SVM作為機器學習的一種常用方法,其參數的選則與機器的學習能力息息相關且影響頗大,但現有研究中對SⅧ參數的選擇仍無統(tǒng)一的方法。因此,對支持向量機中參數的選擇進行研究具有很大的意義。
　　 支持向量機中核函數的類型、核參數的選取直接影響著基于支持向量機的語音識別

2、系統(tǒng)的識別效果。然而,到目前為止,支持向量機的核函數、核參數及懲罰因子的選擇還沒有科學的方法,它們的選擇只能根據經驗、大量的反復實驗進行對比等方法來進行選擇,帶有很大的局限性。為了驗證支持向量機在語音識別系統(tǒng)中的識別效果,本文分別構建了基于線性核支持向量機、徑向基核支持向量機、三階多項式核支持向量機以及Sigmoid核支持向量機的非特定人孤立詞語音識別系統(tǒng),并進行了大量的仿真實驗。實驗結果表明,前三種支持向量機應用于語音識別系統(tǒng)中均取得

3、了比較好的識別效果,且訓練時間較短;而Sigmoid核支持向量機應用于語音識別系統(tǒng)中卻得到了不盡如人意的識別結果。因此,核函數的不同直接影響著支持向量機的分類性能,從而影響了語音識別系統(tǒng)的識別效果。
　　 為了研究在核函數確定的情況下,核參數的取值對支持向量機推廣性能的影響,以及避免標準C-SVM中參數難以選擇的問題,本文做了進一步的研究,實現了在核函數類型確定的前提下,用粒子群優(yōu)化算法對v-SVM中參數進行優(yōu)化,并用基于優(yōu)選參