论文部分内容阅读
实际生活的工程应用和优化问题大都表现为一定程度非线性和难以确定性。传统基于数学的优化方法在处理这些问题时难以达到一个理想的效果。有研究者观察自然界中群体生物习性,发现了群体活动中个体间信息交流合作完成任务的智慧行为。基于此思路利用数学过程模仿种群间的交流协作的群智能优化算法,目前已成为解决众多领域优化问题的重要方法。本文所研究的混沌语音信号在建立预测模型时,其模型较为复杂难以通过数学方法优化,因此群智能算法为我们的研究提供了新的思路。传统的线性分析和预测方法处理可以获得较好的预测效果,但因语音非线性的本质导致预测存在一定的局限。语音非线性预测关键在于捕捉语音的混沌特征,并据此特征得到预测效果良好语音的预测模型,因此为保证效果必须利用算法对模型进行优化。混沌语音信号具有高度复杂非线性,难以通过传统的数学方法达到可观的优化效果。人工蜂群算法(Artificial Bee Colony Algorithm,ABC)是通过蜂群中个体智能协作、信息交流、觅食等行为一种优化算法。单一个体在迭代过程中均对整个种群产生影响,在整个搜索过程中对探索和开发有一个较好的平衡。构建预测模型是语音信号处理中的一种关键步骤,本文基于混沌理论对语音信号进行分析预测。在相空间下语音序列被映射为连续的相点,并且在相点间建立起联系。并根据语音混沌特性分析语音解决语音信号随机、非线性、难以预测的问题。本文在系统地分析语音混沌特性的基础上,采用二阶截断的Volterra模型对语音非线性过程进行构建。并对所获模型采用基于全局最优引导的自适应人工蜂群算法对模型进行结构确定和参数优化。并验证预测模型在单帧信号、单词、语句信号和洛伦兹序列上的效果。本文主要工作如下:1.语音的混沌性检验与分析。通过计算经过预处理的语音信号的Lyapunov指数确定信号混沌特征,并据此计算延迟时间、嵌入维数、将连续语音序列转换为相空间下的相点。2.人工蜂群算法的改进。本文针对蜂群算法在收敛慢、求解精度方面的问题提出基于全局最优的自适应人工蜂群算法。在每次迭代计算的过程中获取当前最优位置引导下一次蜜蜂展开搜索,为保证解的多样性在搜索过程中引入一个随机位置;并且在蜂群算法初始化时用混沌映射产生随机数。改进后大大的提高了算法的收敛速度,并且在高维数和多峰测试函数下求解精度良好。3.构建混沌语音信号预测模型。以当前获得的语音混沌特征为依据,基于二阶截断Volterra和AGABC算法求解出预测模型的结构与参数,以预测值和实际值之间的均方差作为适应度函数迭代计算,得到一个显式、求解容易、预测结果较好的模型。4.实验验证与分析。分别进行单帧、单词语句信号和洛伦兹序列预测效果验证对比,并从均方误差、波形对比进行评价,对比方法改进前后的预测效果差别。并分析前后效果差别的产生原因,并得出结论。