基于GA-ACO算法和BP神經(jīng)網(wǎng)絡(luò)的語音識別研究.pdf

1、語音作為人與人之間彼此交流最為重要的一種工具，在人工智能的組成中起到了極為重要的作用。隨著計算機技術(shù)和通信技術(shù)的快速進步與發(fā)展，使它在各個行業(yè)中有著很好的前景，所以備受人們的重視，歷來它都是根據(jù)線性理論來研究的，我們經(jīng)常使用的方法就是動態(tài)時間規(guī)整技術(shù)（DTW）和隱馬爾可夫模型（HMM）。當(dāng)然，語音識別過程并不是一個簡單的線性過程，其非線性使得利用線性理論來識別的方法的缺陷慢慢都展現(xiàn)出來了。近年來，人們對神經(jīng)網(wǎng)絡(luò)的研究越來越多，對其非線性

2、理論更加了解了，把其用于語音識別中，能夠得到更好的效果，因此，它也成為了如今研究的焦點。
　　本文通過分析語音識別中的預(yù)處理、特征提取以及模式訓(xùn)練及匹配流程，發(fā)現(xiàn)最常用的方法有：預(yù)處理包括濾波采樣、預(yù)加重、分幀加窗和端點檢測。特征提取中闡述了線性預(yù)測系數(shù)（LPC）、線性預(yù)測倒譜系數(shù)（LPCC）和MEL頻率倒譜系數(shù)（MFCC）三種基本方法。模式訓(xùn)練及匹配中闡述了動態(tài)時間規(guī)整算法（DTW）、隱馬爾科夫模型（HMM）和神經(jīng)網(wǎng)絡(luò)模型（AN

3、N）。本文主要就前饋神經(jīng)網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)）的原理及其在語音識別的應(yīng)用上進行了深入研究，針對該方法的不足之處，提出了將 GA-ACO融合算法與其相結(jié)合，優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢，存在局部極小值，動態(tài)性能不夠理想，學(xué)習(xí)精度受一定的限制的不足，提出了一種新的方法來實現(xiàn)語音識別，而且在文中用此方法進行了MATLAB仿真實驗，驗證了其可行性。
　　對于非指定人、單獨數(shù)字的辨認，本文按照語音識別的基本方法，考慮到

4、BP神經(jīng)網(wǎng)絡(luò)的缺點，用GA-ACO融合算法對其訓(xùn)練，形成了新的語音識別方法，并仿真了用新方法和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)方法進行語音識別的不同結(jié)果，而且討論了不同特征參數(shù)、訓(xùn)練集、隱含層神經(jīng)元個數(shù)對辨認精度的影響。
　　研究結(jié)果表明，本文提出的基于 GA-ACO融合算法的神經(jīng)網(wǎng)絡(luò)識別方法顯示出其快速學(xué)習(xí)網(wǎng)絡(luò)權(quán)值的能力，能夠消除傳統(tǒng)BP算法容易陷入局部極值和如何選取算法初始權(quán)重值來快速達到設(shè)定精度的困擾，從各個方面都能夠比傳統(tǒng)BP算法效果更好