论文部分内容阅读
RBF神经网络具有结构简单、分类性能好、学习速度快、泛化能力强和不易陷入局部极小等优点,因此在语音识别领域得到越来越广泛的关注和应用。对于RBF神经网络来说,基函数的中心是RBF神经网络的重要参数,它们的取值对网络的性能有很大的影响。但是,传统的RBF神经网络学习算法常常收敛于局部最佳值。RBF神经网络和模糊逻辑系统能够实现很好的互补,提高神经网络的学习泛化能力。因此,为进一步改善传统RBF网络的性能,本文在前人工作的基础上提出了两种改进算法。首先,本文用具有全局搜索性能的遗传算法训练RBF神经网络来确定其基函数的中心。遗传算法中交叉概率和变异概率的选择是影响遗传算法行为和性能的关键所在,直接影响算法的收敛性。所以本文引入自然数编码的自适应遗传算法,根据个体的具体情况自适应地调整交叉概率和变异概率。用遗传算法优化的RBF网络,增强了网络的全局寻优能力,提高了网络的模式识别性能。将改进后的算法应用到语音识别系统中,实验结果表明使用该方法的识别结果优于使用K—均值聚类算法选取质心的RBF网络的识别结果。其次,本文构建了基于结构等价型模糊RBF神经网络的语音识别系统。提出了一种结构等价型模糊RBF神经网络结构和学习算法,采用五层神经网络结构来实现模糊系统的模糊化和规则推理,神经网络的所有节点和参数对应模糊系统的隶属度函数和推理过程。该网络利用模糊推理系统和RBF网络的等价特性,可以自动确定模糊规则数和隶属度函数,解决了模糊系统如何自动生成和调整隶属度函数和模糊规则的难题。本文根据待识别的词汇数自动选择模糊规则数,采用监督聚类方法和梯度下降法分两步对系统参数进行训练,其收敛速度比所有参数都用梯度下降算法训练或者隶属度函数的中心采用K-均值聚类算法学习快速得多且识别准确率高。同时与RBF神经网络算法进行了比较,实验表明了该方法具有较高的识别率和鲁棒性,以及对不同语音特征的适应性,可以作为进一步研究抗噪语音识别的基础。最后,论文引入小波变换理论,用小波函数作为结构等价型模糊RBF神经网络中的隶属度函数,实验结果表明,这种神经网络同样可以获得很好的识别效果。