论文部分内容阅读
近年来随着信息技术的快速发展，计算机成为人们工作、学习以及生活中不可或缺的重要部分，为人们带来了很大的便利。在人机交互过程中，与鼠标、键盘、触摸屏等接触式设备相比，语音识别是一种更加便捷的方式，同时语音识别技术也是实现智能化人机交互的有效途径。支持向量机(Support vector machines，SVM)是一种新型的机器学习算法，它的理论基础是结构风险最小化以及VC维理论，其能够有效地处理小样本问题、非线性问题以及高维度问题。由于具有这些优点，SVM成为了机器学习算法领域的研究热点，越来越多的学者致力于其基本理论以及改进方法的研究。SVM在语音识别中已经取得很好的效果，但是其在低信噪比语音环境下的识别性能还需要进一步提高，模糊支持向量机具有很好的抗噪性，本文首先分析了模糊支持向量机的基本原理，并且通过特征加权对其进行了改进，改进后的算法能够兼顾到样本的各维特征对分类结果的贡献。最后通过韩语语料库和Aurora-2语料库进行仿真实验，验证了该算法的有效性。再者，通过分析加权集成算法AdaBoost(adaptive boosting，自适应增强)的基本原理，将多个SVM分类器进行集成，构造了SVM集成分类器。本文将AdaBoost系列中用于多分类的AdaBoost.M2算法和支持向量机进行结合，用于语音识别中。为了进一步改善性能，用GeesePSO算法对权值进行优化，选出最优的权值组成强分类器。最后通过韩语语料库和Aurora-2语料库进行仿真实验，实验结果验证了AdaBoost.M2-SVM和GeesePSO改进的AdaBoost.M2-SVM的有效性。