[发明专利]一种融合数据归一化的自适应变异鸟群语音识别系统

权利要求书

1.一种融合数据归一化的自适应变异鸟群语音识别系统，其特征按照如下的步骤进行：

步骤一、用录音设备收集语音数据，对收集的语音数据进行特征提取，将特征提取后的数据作为输入样本，把输入样本划分为原始数据训练集和原始数据测试集两部分；

步骤二、采用数据归一化方法，对原始数据进行归一化处理，形成归一化训练集和归一化测试集两部分，分别给两个集合加注标签，得到训练集标签和测试集标签，其利用数据归一化方法处理数据按照如下的步骤进行：

采用数据归一化方法，对原始数据进行归一化处理，设原始数据训练集和原始数据测试集中任意一个数据样本为y_i，归一化后，归一化训练集和归一化测试集中对应的数据样本为：

其中y_min和y_max代表y_i各自的极小值和极大值；

步骤三、对归一化训练集采用融合数据归一化自适应变异鸟群算法对SVM参数进行寻优，求得最佳参数组(c，γ)，用该参数组建立SVM模型model，详细过程为：

a、设置鸟群的种群数量P、最大迭代次数M和迁徙频率FQ，初始化认知系数C和社会加速系数S、影响因子a1和a2以及参数组(c，γ)的最大值ub和最小值lb，随机产生P个参数组(c，γ)作为鸟群的初始状态：

其中，表示鸟群个体的初始位置，i为1到P的整数，j为1到M的整数，rand(0，1)是一组(0，1)之间的随机数；

b、将归一化训练集代入libsvm工具箱中的svmtrain函数，得到初始适应值fit(i)：

fit(i)＝svmtrain(train_label，train_data，′-v-c-g′)

其中，′-v′表示交叉验证的次数，’-c’和’-g’分别代表参数组(c，γ)中的c和γ；

c、在第j次迭代更新时，自适应调整鸟群个体：

其中，和分别表示鸟群个体的初始速度和自适应变异后的速度，和分别表示鸟群个体的当前位置和更新后的位置，用p_i，j记录个体最佳位置，g_j记录群体最佳位置，r1为(0，1)之间的随机数，r2为随机变量，小于0.5时为1，大于0.5时为-1；

d、在第j次迭代更新时，依次对鸟群执行自适应鸟群算法的觅食、警觉和迁徙行为，生成新一代种群：

觅食行为，鸟群中的个体通过一个随机决策来选择觅食还是警觉，当一个(0，1)之间的随机数rand小于常数R(R∈(0，1))，选择觅食：

警觉行为，当随机数rand大于常数R，鸟群中的个体选择警觉，试图飞往中心的个体受到种群竞争行为的影响，具有高储备量的个体比具有低储备量的个体更易接近种群中心：

其中，mean_j表示整个鸟群第j个元素的平均位置，A1为周边环境引起的间接影响因子，A2为特定干扰引起的直接影响因子，pFit_i表示第i只鸟的最佳适应值，sumFit表示整个种群的适应值之和，ε用于避免零分割，是计算机里最小的常数；

迁徙行为，由于觅食或躲避捕食威胁等原因，鸟群会飞向其它地方，当到达一个新的地方，它们会继续觅食，并被分为生产者和乞食者，具有最高储备量的鸟为生产者，最低储备量的鸟为乞食者，其他储备量介于二者之间的鸟随机选择作为生产者或者乞食者，生产者主动搜索食物，乞食者随机跟随一位生产者搜寻食物：

其中，表示第k只鸟儿在t时刻的位置，k∈[1，2，...，N]，k≠i，randn(0，1)表示均值为0方差为1的高斯分布，FL(FL∈[0，2])表示乞食者将跟随生产者搜索食物的概率；

比较三种行为所得鸟群个体所处状态的适应值，选择适应值最大的行为执行，并与历史记录进行比较，记录适应值最大的个体；

判断迭代次数是否已经达到最大迭代次数M，如果满足则执行步骤e；否则返回步骤c，继续下一次迭代寻优；

e、寻优得到最佳适应值所对应的位置即为参数组(c，γ)的值，利用libsvm工具箱中的svmtrain函数得到SVM模型model：

model＝svmtrain(train_label，train_data，′-c-g′)

其中′-c′对应最优参数组(c，γ)中c的值，′-g′对应最优参数组(c，γ)中γ的值；

步骤四、将归一化测试集带入SVM模型，得到语音识别准确率。