论文部分内容阅读
语音识别技术是近年来高速发展的一项技术,由于其重要的理论价值与广阔的应用前景,受到人们的广泛重视。语音是一个复杂的非线性过程,基于线性系统理论的语音识别方法的局限性越来越凸显。近年来,随着人工神经网络、模糊逻辑、粒子群优化算法等非线性理论研究和应用的逐渐深入,这些理论已经开始独立或者相互交叉应用到语音识别领域中。因此,本文从一个典型的语音识别系统出发,介绍了语音识别的基本原理,讨论了几种常用的特征提取、模式匹配及模型训练的方法,并以神经网络和模糊逻辑理论为基础,构建了基于模糊神经网络的语音识别系统,最后引入粒子群优化算法来进行语音识别的研究。模糊神经网络是由模糊逻辑和神经网络有机结合的一种智能系统。本文首先介绍了模糊逻辑和神经网络的基本知识,并由此给出了标准的T-S模糊神经网络的网络结构及算法。但直接将该模型用于语音识别,将会使网络产生规则灾和网络推理失效等问题。因此本文给出一种改进的具有四层网络结构的T-S模糊神经网络算法,通过在隶属度上加入一个与输入维数有关的补偿因子,使其能够应用到语音识别系统中,并利用这种算法进行语音识别系统的仿真实验。实验表明改进的T-S模糊神经网络能够应用于语音识别系统,同时表明该网络的识别率比RBF网络高,并且鲁棒性较好。充分说明了模糊神经网络具备了更强的分类能力。但缺点是训练速度较慢,比较依赖于初始值,这些缺点可以在以后的研究中加以改进。粒子群优化算法同遗传算法类似,是一种基于迭代的优化工具,能够通过迭代寻找全局最优值。但是粒子群算法没有遗传操作如交叉和变异,而是根据自己的速度来决定搜索。粒子还有一个重要的特点是记忆。本文构建了一个基于粒子群优化算法来优化模糊神经网络初始值的模型,先通过粒子群初选取选取较好的参数,再将这些参数作为模糊神经网络的初始值,最后通过改进的T-S模糊神经算法对网络进行训练,得到了较好的语音识别效果。