基于GA-ACO算法和BP神經網絡的語音識別研究.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。隨著計算機技術和通信技術的快速進步與發(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，歷來它都是根據線性理論來研究的，我們經常使用的方法就是動態(tài)時間規(guī)整技術（DTW）和隱馬爾可夫模型（HMM）。當然，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出來了。近年來，人們對神經網絡的研究越來越多，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處理、特征提取以及模式訓練及匹配流程，發(fā)現最常用的方法有：預處理包括濾波采樣、預加重、分幀加窗和端點檢測。特征提取中闡述了線性預測系數（LPC）、線性預測倒譜系數（LPCC）和MEL頻率倒譜系數（MFCC）三種基本方法。模式訓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）和神經網絡模型（AN

3、N）。本文主要就前饋神經網絡（BP神經網絡）的原理及其在語音識別的應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融合算法與其相結合，優(yōu)化后的BP神經網絡克服了傳統(tǒng)BP神經網絡收斂速度慢，存在局部極小值，動態(tài)性能不夠理想，學習精度受一定的限制的不足，提出了一種新的方法來實現語音識別，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、單獨數字的辨認，本文按照語音識別的基本方法，考慮到

4、BP神經網絡的缺點，用GA-ACO融合算法對其訓練，形成了新的語音識別方法，并仿真了用新方法和傳統(tǒng)BP神經網絡方法進行語音識別的不同結果，而且討論了不同特征參數、訓練集、隱含層神經元個數對辨認精度的影響。
　　研究結果表明，本文提出的基于 GA-ACO融合算法的神經網絡識別方法顯示出其快速學習網絡權值的能力，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重值來快速達到設定精度的困擾，從各個方面都能夠比傳統(tǒng)BP算法效果更好