基于BP神经网络的非特定人语音识别算法研究

当前非定特人语音识别算法大多只适于连续语音,且识别精度和速度均较低。为此,提出一种新的基于BP神经网络的非特定人语音识别算法,介绍了标准BP神经网络,针对其收敛速度慢的弊端,通过变化的自适应学习速率,令网络训练针对各种阶段自行设置学习速率值,利用变学习速率构建对应的改进BP神经网络模型,将改进的BP神经网络模型看作识别非特定语音的识别器,输入待识别语音,令累计预测残差达到最小,实现非特定人语音识别。将改进模型应用于非特定人语音识别中进行验证,结果表明所提算法识别率更高、识别速度更快,不仅适于连续语音的识别,也适于不连续语音的识别。     

基于径向基函数神经网络的语音识别

提出一种基于径向基函数神经网络的改进聚类方法,并将此改进的神经网络应用于语音识别领域,建立一个非特定人的孤立词语音识别系统.此聚类方法采取有监督的学习方式,将训练样本的形心作为隐节点的质心,训练样本的分类数作为隐节点的个数.利用该方法对小词表汉语孤立词进行语音识别.结果表明,采用此算法的径向基函数的神经网络具有更好的分类能力,训练速度和识别率均优于传统的径向基函数网络.     

基于神经网络的语音识别研究

提出了一种基于双权值神经网络的非特定人连续语音识别的新算法.这种算法可以不经过端点检测和分割,构建连续语音中各不同音节的特征空间覆盖区,可以避免因分割错误而带来的错误识别.通过实验得到了较为满意的识别结果.     

基于ACO优化小波神经网络的语音识别

蚁群优化(Ant Colony Optimization,ACO)算法是根据解决不同优化问题的多个蚂蚁算法所归纳出的解决复杂的组合优化问题的一个一般框架。本文首先研究ACO算法的原理及其结构框架,在此基础上,引入蚁群优化算法进行小波神经网络的训练,对ACO训练小波神经网络步骤和方法进行了研究。并与BP算法、遗传算法、模拟退火算法进行性能比较,将各种方法训练的小波神经网络用于噪声环境下的语音识别。仿真结果表明,基于ACO算法训练的神经网络在收敛速度上更具有优势,能够获得较小的均方误差值,对于非特定人噪声环境下的语音识别的正确率达到96%,是一种有效的语音识别方法。     

新神经网络结构及其在数码语音识别中的应用

为了提高人工神经网络处理动态信号能力 ,在时延神经网络 ( TDNN )和卷积神经网络 ( CNN)的基础上 ,针对孤立音节的特点 ,提出了一个新的网络结构 ,研究了其学习算法。新网络在进一步改进后用于汉语孤立数码语音识别 ,对特定人和非特定人任务 ,分别达到了 97.7%和 95 .6%的正确识别率 (无拒识 ) ,其性能远远高于多层前向感知机( ML P)和时延神经网络 ,与传统的隐马尔科夫模型 ( HMM)方法是可以相比的。     

基于MD-CM-SFLA神经网络的耳语音情感识别

提出了一种基于分子动力学模拟与云模型理论的改进混合蛙跳算法(MD-CM-SFLA).该算法将青蛙个体等效成分子,仅考虑最差个体和全局最优个体之间的吸引力,采用一种新的分子间作用力来代替两体间经典的Lennard-Jones作用力,并利用Velocity-Verlet算法和正态云发生器代替混合蛙跳算法的更新策略,有效平衡了种群的多样性和搜索的高效性.然后,将MD-CM-SFLA算法与BP神经网络相结合,设计出一种MD-CM-SFLA神经网络,并将其应用于耳语音情感识别中.耳语音情感识别结果表明,MD-CM-SFLA神经网络相对于BP神经网络具有明显的优势,在相同的测试条件下,其平均识别率较BP神经网络提高5.2％.由此表明,利用MD-CM-SFLA算法优化BP神经网络的参数,可以实现BP神经网络的快速收敛,获得较好的学习能力,从而为耳语音情感识别提供一种新思路.     

利用段长信息的改进连续语音识别算法

以基于段长分布的隐含Ｍａｒｋｏｖ模型为基础，提出了一种改进的帧同步束搜索连续语音识别算法，使段长信息在连续语音识别中得到充分有效的利用，并与原算法作了比较。在该算法的具体实现上，建立了状态的局部路径组和全局活跃路径两种数据结构，并采用了帧同步快速实时算法来处理局部路径的剪枝和跳转。说明了段长参数的估计方法。介绍了非特定人大词汇量连续语音识别的实验，实验结果表明，利用段长信息改进识别算法比原识别算法字的误识率降低了６％。     

用户电力控制器神经网络控制分析

针对电力系统模型及运行参数不确定性 ,在用户电力控制器中引入神经网络控制策略 ,应用神经网络设计了线性控制器 ,所提出的神经网络采用改进BP算法 ,改进BP算法比传统BP算法多了两个变量 ;学习速率和动量因子。将计算得的补偿电流经过神经网络训练实现预定目标 ,由MATLAB仿真结果可观察到经神经网格控制的用户电力控制器可实现系统侧的控制目标。并且其控制算法更为简单、有效。     

一种改进BP算法在机械手逆运动学中的应用

通过对传统BP算法的分析，提出了一种改进激励函数的学习方法，并且在神经网络的每一层采用不同的学习速率，以提高训练速度；采用所提出的改进BP算法，训练多层前向神经网络，建立机械手逆运动学模型，仿真结果表明了该算法的有效性；与传统BP算法相比，大大提高了机械手逆运动学的精度。     

基于遗传神经网络的混合气体识别研究

针对误差反向传播(BP)算法和遗传算法各自的优点和不足,提出了遗传算法优化神经网络技术:利用遗传算法的全局搜索能力,对神经网络连接权进行优化,以遗传算法优化的初值作为BP神经网络的初始权值,再用BP算法训练网络.优化后的BP网络其误差的递减速度和收敛速度都比标准BP网络快,而且对学习速率调整要求更少.将遗传神经网络应用于混合气体定量识别的训练中,得到的最大误差由20.7 %降为12.1 %,平均误差从5.4 %降为3.5 %,识别效果得到了提高.     

基于改进天牛群算法优化的BP神经网络的入侵检测

针对传统BP神经网络的入侵检测中,BP神经网络模型存在容易陷入局部最优、收敛速度慢、初始值随机性较大等缺点,本文提出改进天牛群算法(Beetle Swarm Optimization,BSO)用于优化BP神经网络的权值与阈值,并采用可变的感知因子及导向性的学习策略,以增强算法跳出局部最优的能力,提升算法全局寻优能力。利用天牛群算法群体智能的特点,提高BP神经网络的收敛速度。并将天牛群优化的BP神经网络模型应用于入侵检测,仿真实验结果表明优化后的BP神经网络模型能够显著提高模型的收敛速率和对入侵数据的检测率,降低误报率。     

基于改进BP神经网络理论的算法研究

研究了改进标准BP神经网络的方法,特别是研究加快标准BP神经网络收敛速度的方法。针对标准BP神经网络的收敛速度慢,分别采用3种方法修改网络的学习速率,然后建立了相应的改进BP网络模型,并把模型应用到实际生活中。和标准BP网络相比,提出的3种改进模犁都具有收敛速度快、精度高的优点。     

IWOA和BP神经网络的压缩机故障检测算法

针对压缩机故障难以检测与分类的问题,传统的方法是采用BP神经网络的检测方法,利用从压缩机语音信号中提取的识别特征来预测压缩机故障类型,该方法具有良好的可行性,但是BP神经网络容易陷入局部最优值的情况,从而导致了预测精度较低和稳定性较差的问题。因此,本文提出了改进的鲸鱼优化算法(IWOA)和BP神经网络的模型,首先通过优化WOA中的搜索猎物被执行的概率和包围猎物向最优个体聚集的过程,从而提高了IWOA的全局搜索能力和收敛速度,其次将IWOA对BP神经网络的权值和阀值进行深度寻优,从而提高了BP神经网络的预测精度和稳定性,最后将该模型运用到压缩机故障检测实验中。实验结果表明,与其他模型相比,证明了IWOA和BP神经网络提高了预测精度,且具有良好的稳定性。     

基于卷积神经网络的大容量汉语孤立字语音识别方法

使用录音设备对1 605个常用汉字进行录音,得到920个孤立字发音、3 680个非特定人的语音样本库.采用语音语谱图作为汉语单字语音识别的特征,构建了6层卷积神经网络应用于模型库的语音识别.通过深度学习方法对语音样本进行了训练和识别.实验结果表明,所构造的20-40-3500结构的卷积神经网络模型对语音样本库具有最好的识别效果,对测试样本的识别率达到97.87%,对全部样本的识别率达到99.32%.     

基于RBF神经网络的语音情感识别

介绍了径向基函数神经网络的原理、训练算法,并建立了RBF神经网络的语音情感识别的模型。在实验中比较了BP神经网络与RBF神经网络分别用于语音情感识别识别率,RBF神经网络的平均识别率高于BP神经网络3%。结果表明,基于RBF神经网络的语音情感识别方法的有效性。     

基于音节间相关识别单元的汉语连续语音识别算法

为提高汉语连续语音识别系统的性能,建立了音节间相关的半音节识别单元,并研究了基于这种单元的连续语音识别算法。讨论了基于 Ｄ Ｄ Ｂ Ｈ Ｍ Ｍ 模型和最大后验概率估计准则的连续语音识别的理论基础,依据动态规划的基本原理,提出了一种基于音节间相关的识别单元的汉语连续语音识别算法。依照这种算法,不但能得到最优句子侯选,而且能够在识别过程中得到音节格（即 Ｎｂｅｓｔ句子侯选）的数据结构。最后通过大词汇量非特定人连续语音识别的实验,表明了采用音节间相关的识别单元比基本的识别单元误识率有明显的降低     

自适应函数链神经网络在非特定人语音识别中的应用

根据加权倒谱距离测度，构造了一种用于非特定人语音识别的函数链神经网络，并结合所提出的自适应函数链神经网络学习算法，不但大大缩短了网络的学习时间，而且使得该网络具有较高的识别率，采用10人（5男、5女）的语音数据对汉语10个数字进行了实验，正确识别率为94．2％．     

改进粒子群优化BP神经网络的心理压力识别算法

为提高心理压力的识别率,提出一种改进的粒子群优化BP(back propagation)神经网络的压力识别算法。该算法在基本粒子群(particle swarm optimization,PSO)模型的基础上,引入了收缩因子,在收缩因子的作用下,使速度的边界限制消失,选取适当的参数来保证PSO算法的有界和收敛特性,实现对BP神经网络的优化。利用心算任务进行压力诱发,采集高压、低压状态下的心电信号,提取了与心理压力相关的心率变异性特征值,并对特征数据对比分析;建立了心理压力程度的分类模型,通过改进的PSO模型优化BP神经网络以识别心理压力。结果表明:改进的粒子群优化BP神经网络算法与BP神经网络相比收敛速度快、误差小且识别率高,该算法对心理压力的识别率可达94.83%,识别效果优于未优化的BP神经网络算法。     

改进BP神经网络在个人信用评估系统的应用

针对一般BP算法收敛速度慢和易陷人局部极小值的缺陷,提出利用一种自适应学习速率动量梯度下降反向传播算法对网络进行训练.该算法使BP神经网络学习速率和稳定性得到提高,并将这种改进的BP网络应用于个人信用评估系统,验证了该方法的正确性和有效性.     

基于BLSTM和CTC的藏语语音识别

随着深度学习理论的兴起,BLSTM-CTC模型成为目前主流的语音识别声学模型之一.本文借鉴国内外语音识别框架,结合藏语言文字特点,提出基于BLSTM-CTC模型的藏语语音识别方法.该方法以识别非特定人藏语连续语音为目标,通过提取语音的MFCC特征参数,建立了以音素为建模单元的藏语语音声学模型.在不同建模单元下LSTM-CTC模型和BLSTM-CTC模型的对比实验表明,该方法能够充分利用上下文信息,具有较强的建模能力和语音识别效果.