基于仿生模式识别的同调连续性的语音识别算法研究

《基于仿生模式识别的同调连续性的语音识别算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于仿生模式识别的同调连续性的语音识别算法研究摘要语音识别技术目前尚处在实验研究阶段，在预处理，端点检测以及模式识别等方面均存在局限性。传统的实验方法在数据库较少的情况下无法满足设计的需要，因此机器学习无法与人的个体学习相媲美。针对这些问题，本文着重研究在小样本的情况下，进行语音识别的研究，力求使得计算机应用能够模拟人的认知程度，以帮助机器智能化开发的研究。本文依据仿生模式识别理论，通过对流形学习的研究，从几何的角度出发，提出了同调连续性原理。定义了高维空间中子空间的一些基本概念，给出了子流形之间的关系以及测地距离的定义，依据同调连续原理

2、的有关性质给出了基于仿生模式识别的同调连续性的流形学习方法，并将其运用在连续数字语音识别当中。通过实验验证了我们所提出方法的有效性和实用性，为今后的工作奠定了基础。与HMM方法相比较的实验结果表明，在对少量样本进行训练的情况下，本文所用方法的识别结果明显优于传统的HMM方法。随着样本数量的增多，两种方法的识别率之间的差距在慢慢减小，当样本数量趋近很大时，它们的识别率都会渐渐逼近100％，而基于仿生模式识别的同调连续性的语音识别方法的识别率一直高于HMM模型方法的识别率，这是因为该流形学习的方法描述的是语音在高维空间的形态分布，而HMM模型

3、方法却仅仅是一种概率分布，其精确程度自然不如前者。关键词：仿生模式识别，流形学习，同调连续原理，语音识别，高维空间，HMM模型ⅡTHERESEARCHoNSPEECHRECoGNITIoNALGoIUTHMBASEDoNBPRWITHPRINCIPLEoFHoMoLoGYCoNTINUITYABSTRACTThespeechrecognitiontechnologyisjustinthemomentofexperimentalresearchcurrently．Therearesomelimitationsintheresearchofp

4、retreatment，endpointdetectionandpatternrecognition．Whenthedatabaseislimited，thetraditionalmethodforspeechrecognitioncannotsatisfytherequirementofdesignSOthatthemachinelearningshouldnotbeasgoodasthehumanlearning．Withthoseproblems．thispaperdoestheresearchofspeechrecognition

5、winlsmalldatabasetohelpthecomputertosimulatethecognitionofhumanbeing．ThispaperisbasedonBiomimeticPatternRecognition(BPR)．ThePrincipleofHomologyContinuity(PHC)ismentionedwiththeresearchofmanifoldlearningandtheperspectiveofgeometry．Somebasicconceptionsofsubspacearedefinedin

6、11ighdimensionalspacewhiletherelationshipofsubmanifoldandconceptofgeodesicdistancearegiven．mWeproposethemanifoldlearningmethodbasedonBPRwithprincipleofhomologyc伽dh耐织andusethismethodtodotheresearchofcontinuousspeechrecognition．Theexperimentalresultsprovetheeffectivenessand

7、practicabilityofourmethod，andestablishfoundationTherecognitionresultsshowthatthedifferenceofrecognitionratesbetweenmanifoldlearningmethodmentionedinthispaperandconventionalHMM-basedmethoddecreasesasthenumberoftrainingsamplesincreases，andbothoftheserecognitionrateswillreac

8、h100％ifthereareenoughtrainingsamples．HowevermanifoldlearningmethodalwaysoutperformstheHMM—basedm