[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

说明书

本发明涉及语音识别技术领域，一种融合数据归一化的自适应变异鸟群语音识别系统，通过采用自适应变异的方法对鸟群个体更新方法进行改进，在鸟群算法在迭代更新初期，引入一种变异操作，对参数自适应过程进行优化，并结合数据归一化方法，简化了数据结构和算法复杂度，有效提高了算法的种群多样性，增强了模型的泛化能力，解决了算法早熟收敛以及搜索能力随代数增加而逐渐下降的问题，改善了易陷入局部最优的缺陷。本发明识别准确率更高，收敛速度更快，鲁棒性更强，寻优效果更好。

技术领域

本发明涉及语音识别技术领域。

背景技术

随着信息时代发展，人机交互给现代社会带来巨大的改变，语音识别作为人机交互技术的基础，已是当今信息领域的研究热点。支持向量机通过其卓越的分类能力和良好的泛化性能，成为语音识别技术中较常用的分类模型。

支持向量机(Support Vector Machine,SVM)是基于结构风险最小化原则的一种新的机器学习技术。它可以更好的解决小样本、非线性、高维度等分类问题，并且具有良好的泛化性，广泛应用在模式识别、分类估计等问题当中。SVM的拟合性能和泛化能力依赖于相关参数的选择，选择的结果直接关系到分类效果。因此，支持向量机的参数选择在实际应用中是一个关键问题。

目前，国际上并没有公认的统一的SVM参数的优化选取方法，较为常用的方法有：网格寻优方法、遗传算法、粒子群算法等。网格寻优(Grid Search,GS)算法是一种实用的参数寻优方法，该方法将待搜索参数在给定范围中划分为网格，通过遍历网格中所有的参数组合来寻找最优参数组，具有寻优速度快的优点，但是网格寻优对参数寻优范围和寻优步距依赖性较大。遗传算法(Genetic Algorithm,GA)是J.H.Holland于20世纪70年代提出的一类基于自然选择和遗传学原理的有效寻优方法,它模拟生物进化过程，是一种全局优化搜索算法，具有简单通用、鲁棒性强的优点，但是搜索后期效率低下易早熟。粒子群优化算法(Particle Swarm Optimization,PSO)由Kennedy和Eberhart于1995年提出，源于对鸟群捕食行为的研究，通过个体间的协作来寻找最优解，具有算法简单实现容易的优点，但是PSO算法对于有多个局部极值点的函数容易陷入局部最优。

2015年由Xian-Bing Meng等人提出的鸟群算法(Bird Swarm Algorithm,BSA)，是一种生物启发式智能算法，该算法具有很好的多样性，并且能有效的避免过早收敛，与传统的群智能算法相比准确率更高、鲁棒性更强。

文献《基于鸟群算法的微电网多目标运行优化》将鸟群算法应用于微电网多目标优化问题，构建了以微电网运行成本及环境污染度为目标的微电网多目标优化模型，与粒子群算法和微分进化算法比较，验证了鸟群算法更强的最优解搜索能力。

文献《基于群智能算法的光OFDM系统PAPR抑制研究》提出利用非线性反余弦的方法动态调整加速因子，通过对鸟群算法中觅食行为的学习因子动态调整，使其自身与群体对迭代过程中的粒子位置产生不同的影响程度，以此来丰富粒子的多样性，从而缓解粒子陷入局部最优的情况，改善了易陷入局部最优的缺陷，改进了算法的有效性。

发明内容

本发明所要解决的技术问题是：克服现有技术不足，提供一种融合数据归一化的自适应语音识别系统，通过对支持向量机参数寻优，提高语音识别准确率。

本发明所采用的技术方案是：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，把输入样本划分为训练集(train_data)和测试集(test_data)两部分，分别给两个集合加注标签，得到训练集标签(train_label)和测试集标签(test_label)；

步骤二、采用数据归一化方法，对原始数据进行归一化处理；