優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)用于語音識(shí)別的研究.pdf

1、RBF神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)簡單、分類性能好、學(xué)習(xí)速度快、泛化能力強(qiáng)和不易陷入局部極小等優(yōu)點(diǎn)，因此在語音識(shí)別領(lǐng)域得到越來越廣泛的關(guān)注和應(yīng)用。對于RBF 神經(jīng)網(wǎng)絡(luò)來說，基函數(shù)的中心是RBF神經(jīng)網(wǎng)絡(luò)的重要參數(shù)，它們的取值對網(wǎng)絡(luò)的性能有很大的影響。但是，傳統(tǒng)的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法常常收斂于局部最佳值。RBF神經(jīng)網(wǎng)絡(luò)和模糊邏輯系統(tǒng)能夠?qū)崿F(xiàn)很好的互補(bǔ)，提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)泛化能力。
　　 本文在前人工作的基礎(chǔ)上提出了兩種改進(jìn)算法。首先，本文用具

2、有全局搜索性能的遺傳算法訓(xùn)練RBF 神經(jīng)網(wǎng)絡(luò)來確定其基函數(shù)的中心。遺傳算法中交叉概率和變異概率的選擇是影響遺傳算法行為和性能的關(guān)鍵所在，直接影響算法的收斂性。所以本文引入自然數(shù)編碼的自適應(yīng)遺傳算法，根據(jù)個(gè)體的具體情況自適應(yīng)地調(diào)整交叉概率和變異概率。用遺傳算法優(yōu)化的RBF網(wǎng)絡(luò)，增強(qiáng)了網(wǎng)絡(luò)的全局尋優(yōu)能力，提高了網(wǎng)絡(luò)的模式識(shí)別性能。將改進(jìn)后的算法應(yīng)用到語音識(shí)別系統(tǒng)中，實(shí)驗(yàn)結(jié)果表明使用該方法的識(shí)別結(jié)果優(yōu)于使用K —均值聚類算法選取質(zhì)心的RBF網(wǎng)

3、絡(luò)的識(shí)別結(jié)果。其次，本文構(gòu)建了基于結(jié)構(gòu)等價(jià)型模糊RBF 神經(jīng)網(wǎng)絡(luò)的語音識(shí)別系統(tǒng)。提出了一種結(jié)構(gòu)等價(jià)型模糊RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)算法，采用五層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來實(shí)現(xiàn)模糊系統(tǒng)的模糊化和規(guī)則推理，神經(jīng)網(wǎng)絡(luò)的所有節(jié)點(diǎn)和參數(shù)對應(yīng)模糊系統(tǒng)的隸屬度函數(shù)和推理過程。該網(wǎng)絡(luò)利用模糊推理系統(tǒng)和RBF網(wǎng)絡(luò)的等價(jià)特性，可以自動(dòng)確定模糊規(guī)則數(shù)和隸屬度函數(shù)，解決了模糊系統(tǒng)如何自動(dòng)生成和調(diào)整隸屬度函數(shù)和模糊規(guī)則的難題。
　　 本文根據(jù)待識(shí)別的詞匯數(shù)自動(dòng)選擇模糊

4、規(guī)則數(shù)，采用監(jiān)督聚類方法和梯度下降法分兩步對系統(tǒng)參數(shù)進(jìn)行訓(xùn)練，其收斂速度比所有參數(shù)都用梯度下降算法訓(xùn)練或者隸屬度函數(shù)的中心采用K-均值聚類算法學(xué)習(xí)快速得多且識(shí)別準(zhǔn)確率高。同時(shí)與RBF神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了比較，實(shí)驗(yàn)表明了該方法具有較高的識(shí)別率和魯棒性，以及對不同語音特征的適應(yīng)性，可以作為進(jìn)一步研究抗噪語音識(shí)別的基礎(chǔ)。最后，論文引入小波變換理論，用小波函數(shù)作為結(jié)構(gòu)等價(jià)型模糊RBF神經(jīng)網(wǎng)絡(luò)中的隸屬度函數(shù)，實(shí)驗(yàn)結(jié)果表明，這種神經(jīng)網(wǎng)絡(luò)同樣可以獲得很