论文部分内容阅读
语音是人们之间进行交流时最常用、最重要的一种信息。语音识别技术就是让机器通过识别和理解,把人类的语音信号转变为相应的命令的技术。目前,语音识别正逐步成为信息技术中人机交互的关键技术,在我们的日常生活中,运用也越来越广泛。 蚁群算法是一种新型的模拟仿生算法,它通过由候选解组成的群体的进化过程来寻找最优解。自20世纪90年代初,由意大利学者DORIGO等人提出以来,该算法已被广泛运用于不同的组合优化问题中,它具有许多优良的特性,易于与其他方法相结合。在基于模板匹配的语音识别系统中,通常采用动态时间规划 DTW(Dynamic Time Warping)算法进行模板匹配,它是把时间归整和距离测度计算结合起来的一种非线性归整技术,本质上是把训练语音与待识别语音的特征映射到生成的平面上,按一定准则搜索一条从起点到终点的最优路径。这是一种局部最优算法,其每一步搜索都是根据局部优化的判断进行的。因此,采用蚁群算法可以解决时间规划路径达不到全局最优的问题。 本文首先对语音信号的预处理、端点检测及特征参数提取等关键技术进行了详细的探讨,并详细介绍了基本蚁群算法的基本原理,随后,针对语音识别中,动态时间规整(DTW)对语音端点的检测精确过度依赖、识别时间长及识别效率低等问题,提出了一种基于改进型蚁群算法的动态时间规划方法。其核心是针对基本蚁群算法,采用自适应的挥发系数,动态信息素更新策略,新的状态转移规则以及最优的蚂蚁参数选择等改进方法,使算法能在较短的时间内能寻找到最佳路径,提高执行效率。仿真实验分别测试了基于传统DTW算法和基于改进蚁群算法的DTW算法的识别率,结果表明该算法能在较短的时间内能找到更好的调度策略,提高了蚁群的全局搜索能力和准确性,能有效的提高语音识别系统的效率。