加權(quán)改進的支持向量機在低信噪比語音識別中的應用.pdf

1、近年來隨著信息技術(shù)的快速發(fā)展，計算機成為人們工作、學習以及生活中不可或缺的重要部分，為人們帶來了很大的便利。在人機交互過程中，與鼠標、鍵盤、觸摸屏等接觸式設(shè)備相比，語音識別是一種更加便捷的方式，同時語音識別技術(shù)也是實現(xiàn)智能化人機交互的有效途徑。
　　支持向量機(Support vector machines，SVM)是一種新型的機器學習算法，它的理論基礎(chǔ)是結(jié)構(gòu)風險最小化以及VC維理論，其能夠有效地處理小樣本問題、非線性問題以及高維

2、度問題。由于具有這些優(yōu)點，SVM成為了機器學習算法領(lǐng)域的研究熱點，越來越多的學者致力于其基本理論以及改進方法的研究。
　　SVM在語音識別中已經(jīng)取得很好的效果，但是其在低信噪比語音環(huán)境下的識別性能還需要進一步提高，模糊支持向量機具有很好的抗噪性，本文首先分析了模糊支持向量機的基本原理，并且通過特征加權(quán)對其進行了改進，改進后的算法能夠兼顧到樣本的各維特征對分類結(jié)果的貢獻。最后通過韓語語料庫和Aurora-2語料庫進行仿真實驗，驗證了

3、該算法的有效性。
　　再者，通過分析加權(quán)集成算法AdaBoost(adaptive boosting，自適應增強)的基本原理，將多個SVM分類器進行集成，構(gòu)造了SVM集成分類器。本文將AdaBoost系列中用于多分類的AdaBoost.M2算法和支持向量機進行結(jié)合，用于語音識別中。為了進一步改善性能，用GeesePSO算法對權(quán)值進行優(yōu)化，選出最優(yōu)的權(quán)值組成強分類器。最后通過韓語語料庫和Aurora-2語料庫進行仿真實驗，實驗結(jié)果驗