本發(fā)明涉及語音識(shí)別技術(shù)領(lǐng)域。
背景技術(shù)：
隨著信息時(shí)代發(fā)展，人機(jī)交互給現(xiàn)代社會(huì)帶來巨大的改變，語音識(shí)別作為人機(jī)交互技術(shù)的基礎(chǔ)，已是當(dāng)今信息領(lǐng)域的研究熱點(diǎn)。支持向量機(jī)通過其卓越的分類能力和良好的泛化性能，成為語音識(shí)別技術(shù)中較常用的分類模型。
支持向量機(jī)(supportvectormachine,svm)是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的一種新的機(jī)器學(xué)習(xí)技術(shù)。它可以更好的解決小樣本、非線性、高維度等分類問題，并且具有良好的泛化性，廣泛應(yīng)用在模式識(shí)別、分類估計(jì)等問題當(dāng)中。svm的擬合性能和泛化能力依賴于相關(guān)參數(shù)的選擇，選擇的結(jié)果直接關(guān)系到分類效果。因此，支持向量機(jī)的參數(shù)選擇在實(shí)際應(yīng)用中是一個(gè)關(guān)鍵問題。
目前，國際上并沒有公認(rèn)的統(tǒng)一的svm參數(shù)的優(yōu)化選取方法，較為常用的方法有：網(wǎng)格尋優(yōu)方法、遺傳算法、粒子群算法等。網(wǎng)格尋優(yōu)(gridsearch,gs)算法是一種實(shí)用的參數(shù)尋優(yōu)方法，該方法將待搜索參數(shù)在給定范圍中劃分為網(wǎng)格，通過遍歷網(wǎng)格中所有的參數(shù)組合來尋找最優(yōu)參數(shù)組，具有尋優(yōu)速度快的優(yōu)點(diǎn)，但是網(wǎng)格尋優(yōu)對(duì)參數(shù)尋優(yōu)范圍和尋優(yōu)步距依賴性較大。遺傳算法(geneticalgorithm,ga)是j.h.holland于20世紀(jì)70年代提出的一類基于自然選擇和遺傳學(xué)原理的有效尋優(yōu)方法,它模擬生物進(jìn)化過程，是一種全局優(yōu)化搜索算法，具有簡(jiǎn)單通用、魯棒性強(qiáng)的優(yōu)點(diǎn)，但是搜索后期效率低下易早熟。粒子群優(yōu)化算法(particleswarmoptimization,pso)由kennedy和eberhart于1995年提出，源于對(duì)鳥群捕食行為的研究，通過個(gè)體間的協(xié)作來尋找最優(yōu)解，具有算法簡(jiǎn)單實(shí)現(xiàn)容易的優(yōu)點(diǎn)，但是pso算法對(duì)于有多個(gè)局部極值點(diǎn)的函數(shù)容易陷入局部最優(yōu)。
2015年由xian-bingmeng等人提出的鳥群算法(birdswarmalgorithm,bsa)，是一種生物啟發(fā)式智能算法，該算法具有很好的多樣性，并且能有效的避免過早收斂，與傳統(tǒng)的群智能算法相比準(zhǔn)確率更高、魯棒性更強(qiáng)。
文獻(xiàn)《基于鳥群算法的微電網(wǎng)多目標(biāo)運(yùn)行優(yōu)化》將鳥群算法應(yīng)用于微電網(wǎng)多目標(biāo)優(yōu)化問題，構(gòu)建了以微電網(wǎng)運(yùn)行成本及環(huán)境污染度為目標(biāo)的微電網(wǎng)多目標(biāo)優(yōu)化模型，與粒子群算法和微分進(jìn)化算法比較，驗(yàn)證了鳥群算法更強(qiáng)的最優(yōu)解搜索能力。
文獻(xiàn)《基于群智能算法的光ofdm系統(tǒng)papr抑制研究》提出利用非線性反余弦的方法動(dòng)態(tài)調(diào)整加速因子，通過對(duì)鳥群算法中覓食行為的學(xué)習(xí)因子動(dòng)態(tài)調(diào)整，使其自身與群體對(duì)迭代過程中的粒子位置產(chǎn)生不同的影響程度，以此來豐富粒子的多樣性，從而緩解粒子陷入局部最優(yōu)的情況，改善了易陷入局部最優(yōu)的缺陷，改進(jìn)了算法的有效性。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明所要解決的技術(shù)問題是：克服現(xiàn)有技術(shù)不足，提供一種融合數(shù)據(jù)歸一化的自適應(yīng)語音識(shí)別系統(tǒng)，通過對(duì)支持向量機(jī)參數(shù)尋優(yōu)，提高語音識(shí)別準(zhǔn)確率。
本發(fā)明所采用的技術(shù)方案是：一種融合數(shù)據(jù)歸一化的自適應(yīng)變異鳥群語音識(shí)別系統(tǒng)，其特征按照如下的步驟進(jìn)行：
步驟一、用錄音設(shè)備收集語音數(shù)據(jù)，對(duì)收集的語音數(shù)據(jù)進(jìn)行特征提取，將特征提取后的數(shù)據(jù)作為輸入樣本，把輸入樣本劃分為訓(xùn)練集(train_data)和測(cè)試集(test_data)兩部分，分別給兩個(gè)集合加注標(biāo)簽，得到訓(xùn)練集標(biāo)簽(train_label)和測(cè)試集標(biāo)簽(test_label)；
步驟二、采用數(shù)據(jù)歸一化方法，對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理；
步驟三、采用融合數(shù)據(jù)歸一化自適應(yīng)變異鳥群算法對(duì)svm參數(shù)進(jìn)行尋優(yōu)，求得最佳參數(shù)組(c,γ)，用該參數(shù)組建立svm模型model；
步驟四、將測(cè)試集帶入svm模型，得到語音識(shí)別準(zhǔn)確率。
步驟二中利用數(shù)據(jù)歸一化方法處理數(shù)據(jù)按照如下的步驟進(jìn)行：
由于語音樣本特征的差異性，特征提取后得到的數(shù)據(jù)參差不齊，數(shù)據(jù)水平差別較大，采用這樣數(shù)據(jù)進(jìn)行識(shí)別，會(huì)突出數(shù)值較高的特征在識(shí)別過程中的作用，而相對(duì)降低數(shù)值較低的特征在綜合分析中的作用。因此，為了保證識(shí)別效果的可靠性，采用數(shù)據(jù)歸一化方法，對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理。
將每列數(shù)據(jù)樣本設(shè)為yi，歸一化后的數(shù)據(jù)樣本為：
其中yi是原始數(shù)據(jù)，
作為一種優(yōu)選方式：步驟三中，利用自適應(yīng)變異鳥群算法優(yōu)化svm按照如下的步驟進(jìn)行：
a、設(shè)置鳥群的種群數(shù)量p、最大迭代次數(shù)m和遷徙頻率fq，初始化認(rèn)知系數(shù)c和社會(huì)加速系數(shù)s、影響因子a1和a2以及參數(shù)組(c,γ)的最大值ub和最小值lb，隨機(jī)產(chǎn)生p個(gè)參數(shù)組(c,γ)作為鳥群的初始狀態(tài)：
其中，
b、將初始參數(shù)組代入libsvm工具箱中的svmtrain函數(shù)，得到初始適應(yīng)值fit(i)：
fit(i)＝svmtrain(train_label,train_data,′-v-c-g′)
其中，'-v'表示交叉驗(yàn)證的次數(shù)，’-c’和’-g’分別代表參數(shù)組(c,γ)中的c和γ；
c、在第j次迭代更新時(shí)，自適應(yīng)調(diào)整鳥群個(gè)體：
其中，
d、在第j次迭代更新時(shí)，依次對(duì)鳥群執(zhí)行自適應(yīng)鳥群算法的覓食、警覺和遷徙行為，生成新一代種群：
覓食行為，鳥群中的個(gè)體通過一個(gè)隨機(jī)決策來選擇覓食還是警覺，當(dāng)一個(gè)(0,1)之間的隨機(jī)數(shù)rand小于常數(shù)r(r∈(0,1))，選擇覓食：
警覺行為，當(dāng)隨機(jī)數(shù)rand大于常數(shù)r，鳥群中的個(gè)體選擇警覺，試圖飛往中心的個(gè)體受到種群競(jìng)爭(zhēng)行為的影響，具有高儲(chǔ)備量的個(gè)體比具有低儲(chǔ)備量的個(gè)體更易接近種群中心：
其中，meanj表示整個(gè)鳥群第j個(gè)元素的平均位置，a1為周邊環(huán)境引起的間接影響因子，a2為特定干擾引起的直接影響因子，pfiti表示第i只鳥的最佳適應(yīng)值，sumfit表示整個(gè)種群的適應(yīng)值之和，ε用于避免零分割，是計(jì)算機(jī)里最小的常數(shù)；
遷徙行為，由于覓食或躲避捕食威脅等原因，鳥群會(huì)飛向其它地方，當(dāng)?shù)竭_(dá)一個(gè)新的地方，它們會(huì)繼續(xù)覓食，并被分為生產(chǎn)者和乞食者。具有最高儲(chǔ)備量的鳥為生產(chǎn)者，最低儲(chǔ)備量的鳥為乞食者，其他儲(chǔ)備量介于二者之間的鳥隨機(jī)選擇作為生產(chǎn)者或者乞食者。生產(chǎn)者主動(dòng)搜索食物，乞食者隨機(jī)跟隨一位生產(chǎn)者搜尋食物：
其中，
比較三種行為所得鳥群個(gè)體所處狀態(tài)的適應(yīng)度值，選擇適應(yīng)度值最大的行為執(zhí)行，并與歷史記錄進(jìn)行比較，記錄適應(yīng)度值最大的個(gè)體。判斷迭代次數(shù)是否已經(jīng)達(dá)到最大迭代次數(shù)m，如果滿足則執(zhí)行步驟e；否則返回步驟c，繼續(xù)下一次迭代尋優(yōu)；
e、尋優(yōu)得到最佳適應(yīng)值所對(duì)應(yīng)的位置
model＝svmtrain(train_label,train_data,′-c-g′)
其中'-c'對(duì)應(yīng)最優(yōu)參數(shù)組(c,γ)中c的值，'-g'對(duì)應(yīng)最優(yōu)參數(shù)組(c,γ)中γ的值。
本發(fā)明的有益效果是：通過采用自適應(yīng)變異的方法對(duì)鳥群個(gè)體更新方法進(jìn)行改進(jìn)，鳥群算法在迭代更新初期，引入一種變異操作，對(duì)參數(shù)自適應(yīng)過程進(jìn)行優(yōu)化，并結(jié)合數(shù)據(jù)歸一化方法，簡(jiǎn)化了數(shù)據(jù)結(jié)構(gòu)和算法復(fù)雜度，有效提高了算法的種群多樣性，增強(qiáng)了模型的泛化能力，解決了算法早熟收斂以及搜索能力隨代數(shù)增加而逐漸下降的問題，改善了易陷入局部最優(yōu)的缺陷。將融合數(shù)據(jù)歸一化的自適應(yīng)變異鳥群算法優(yōu)化的svm模型應(yīng)用于語音識(shí)別系統(tǒng)，識(shí)別準(zhǔn)確率更高，收斂速度更快，魯棒性更強(qiáng)，尋優(yōu)效果更好。
具體實(shí)施方式
本發(fā)明以windows7系統(tǒng)作為程序開發(fā)軟件環(huán)境，使用matlabr2010a作為程序開發(fā)平臺(tái)，本例通過9個(gè)人對(duì)10個(gè)孤立詞在信噪比為15db條件下，每詞發(fā)音三次的270個(gè)語音樣本作為訓(xùn)練集，對(duì)應(yīng)7個(gè)人在相應(yīng)的詞匯量和信噪比下的210個(gè)語音樣本作為測(cè)試集，樣本經(jīng)過錄音設(shè)備收集后作為輸入數(shù)據(jù)，然后通過語音識(shí)別系統(tǒng)對(duì)輸入的語音信號(hào)進(jìn)行預(yù)處理，再從處理過的語音信號(hào)中提取能夠代表該語音信號(hào)的特征，每個(gè)樣本從語音信號(hào)中獲得的60維特征矩陣，最終獲得訓(xùn)練集特征矩陣train_data和測(cè)試集特征矩陣test_data以及對(duì)應(yīng)的類別標(biāo)簽train_label和test_label，如表1和表2列出部分?jǐn)?shù)據(jù)如下：
表1訓(xùn)練集樣本
表2測(cè)試集樣本
對(duì)訓(xùn)練集和測(cè)試集數(shù)據(jù)進(jìn)行歸一化處理，將每列數(shù)據(jù)樣本設(shè)為yi，歸一化后的數(shù)據(jù)樣本為：
其中yi是原始數(shù)據(jù)，
表3歸一化后訓(xùn)練集樣本
表4歸一化后測(cè)試集樣本
設(shè)置鳥群的種群數(shù)量p＝30，最大迭代次數(shù)m＝100，遷徙頻率fq＝10，初始化認(rèn)知系數(shù)c＝1.5，社會(huì)加速系數(shù)s＝1.5，影響因子a1＝1，a2＝1，令參數(shù)組(c,γ)的最大值ub＝100，最小值lb＝-100，鳥群的30組個(gè)體初始狀態(tài)如表5：
表5鳥群初始狀態(tài)
計(jì)算每個(gè)鳥群個(gè)體的適應(yīng)度值fit(i)：
將表1中訓(xùn)練集樣本的語音特征矩陣train_data和類別標(biāo)簽train_label代入公式：
fit(i)＝svmtrain(train_label,train_data,′-v-c-g′)
其中，i為1到30的整數(shù)，'-v'表示交叉驗(yàn)證的次數(shù)，’-c’和’-g’分別代表參數(shù)組(c,γ)中的c和γ，所得每個(gè)鳥群個(gè)體的適應(yīng)度值如表6：
表6適應(yīng)度值(％)
通過比較，記錄最大的適應(yīng)度值fit(16)＝66.2963％，對(duì)應(yīng)參數(shù)組(15.7697,97.0596)；
自適應(yīng)更新種群個(gè)體：
在第j次迭代更新時(shí)，自適應(yīng)調(diào)整鳥群個(gè)體：
其中，
表7個(gè)體自適應(yīng)變異更新結(jié)果
在第j次迭代更新時(shí)，依次對(duì)鳥群執(zhí)行自適應(yīng)鳥群算法的覓食、警覺和遷徙行為，生成新一代種群：
覓食行為，鳥群中的個(gè)體通過一個(gè)隨機(jī)決策來選擇覓食還是警覺，當(dāng)一個(gè)(0,1)之間的隨機(jī)數(shù)rand小于常數(shù)r(r∈(0,1))，選擇覓食：
警覺行為，當(dāng)隨機(jī)數(shù)rand大于常數(shù)r，鳥群中的個(gè)體選擇警覺，試圖飛往中心的個(gè)體受到種群競(jìng)爭(zhēng)行為的影響，具有高儲(chǔ)備量的個(gè)體比具有低儲(chǔ)備量的個(gè)體更易接近種群中心：
其中，meanj表示整個(gè)鳥群第j個(gè)元素的平均位置，a1為周邊環(huán)境引起的間接影響因子，a2為特定干擾引起的直接影響因子，pfiti表示第i只鳥的最佳適應(yīng)值，sumfit表示整個(gè)種群的適應(yīng)值之和，ε用于避免零分割，是計(jì)算機(jī)里最小的常數(shù)；
遷徙行為，由于覓食或躲避捕食威脅等原因，鳥群會(huì)飛向其它地方，當(dāng)?shù)竭_(dá)一個(gè)新的地方，它們會(huì)繼續(xù)覓食，并被分為生產(chǎn)者和乞食者。具有最高儲(chǔ)備量的鳥為生產(chǎn)者，最低儲(chǔ)備量的鳥為乞食者，其他儲(chǔ)備量介于二者之間的鳥隨機(jī)選擇作為生產(chǎn)者或者乞食者。生產(chǎn)者主動(dòng)搜索食物，乞食者隨機(jī)跟隨一位生產(chǎn)者搜尋食物：
其中，
比較三種行為所得鳥群個(gè)體所處狀態(tài)的適應(yīng)度值，選擇適應(yīng)度值最大的行為執(zhí)行，并與歷史記錄進(jìn)行比較，記錄適應(yīng)度值最大的個(gè)體。
判斷迭代次數(shù)是否已經(jīng)達(dá)到最大迭代次數(shù)m，如果滿足則執(zhí)行步驟e；否則返回步驟c，繼續(xù)下一次迭代尋優(yōu)；
本實(shí)施例僅例舉說明表5中序號(hào)為1的鳥群個(gè)體在迭代次數(shù)m分別為1、2、3時(shí)的狀態(tài)更新，其他鳥群個(gè)體和其他迭代次數(shù)鳥群個(gè)體狀態(tài)更新過程類似。
m＝1時(shí)，由以下公式進(jìn)行初始化：
初始化后鳥群個(gè)體
通過以下公式執(zhí)行自適應(yīng)變異：
個(gè)體
判斷是否符合覓食條件，滿足條件，鳥群執(zhí)行覓食行為：
個(gè)體
m＝2時(shí)，將上一代的鳥群個(gè)體進(jìn)行自適應(yīng)變異，鳥群個(gè)體
判斷是否符合警覺條件，滿足條件，鳥群執(zhí)行警覺行為：
個(gè)體
m＝3時(shí)，將上一代的鳥群個(gè)體進(jìn)行自適應(yīng)變異，鳥群個(gè)體
判斷是否滿足遷徙條件，滿足條件，鳥群執(zhí)行遷徙行為，將鳥群劃分為生產(chǎn)者或者乞食者：
個(gè)體
迭代次數(shù)i＝i+1，判斷迭代次數(shù)是否已經(jīng)達(dá)到最大迭代次數(shù)m，如果滿足則繼續(xù)執(zhí)行下一步驟；否則返回進(jìn)行新一次迭代更新。
得到最大適應(yīng)度值94.4444％所處狀態(tài)對(duì)應(yīng)的最優(yōu)參數(shù)組(c,γ)的值為(47.7881,0.0892)，利用libsvm軟件包里的svmtrain函數(shù)得到svm模型model：
model＝svmtrain(train_label,train_data,′-c47.7881-g0.0892′)
利用svmpredict函數(shù)，代入測(cè)試集樣本的語音特征矩陣test_data和類別標(biāo)簽test_label
[predict_label,accuracy]＝svmpredict(test_label,test_data,model)
其中accuracy為測(cè)試集樣本的分類準(zhǔn)確率，對(duì)應(yīng)該測(cè)試集樣本的語音識(shí)別準(zhǔn)確率為accuracy＝89.0476％。
本實(shí)例只用來說明具體實(shí)施方式，為了顯示方便，僅用某一個(gè)體的三次迭代將最佳狀態(tài)展示出來，實(shí)際應(yīng)用中會(huì)有一定誤差。