改进的PSO在说话人辨识中的应用

doi:10.3778/j.issn.1002-8331.2010.02.041

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (2): 135-137.DOI: 10.3778/j.issn.1002-8331.2010.02.041

• 图形、图像、模式识别 • 上一篇下一篇

改进的PSO在说话人辨识中的应用

骆瑞玲^1，2，李明²，李睿²

1.石河子大学信息科学与技术学院，新疆石河子 832000
2.兰州理工大学计算机与通信学院，兰州 730050

收稿日期:2009-01-13 修回日期:2009-06-16 出版日期:2010-01-11 发布日期:2010-01-11
通讯作者: 骆瑞玲

Application of improved PSO in speaker identification

LUO Rui-ling^1，2，LI Ming²，LI Rui²

1.College of Information Science and Technology，Shihezi University，Shihezi，Xinjiang 832000，China
2.School of Computer and Communication，Lanzhou University of Technology，Lanzhou 730050，China

Received:2009-01-13 Revised:2009-06-16 Online:2010-01-11 Published:2010-01-11
Contact: LUO Rui-ling

摘要/Abstract

摘要： 针对PSO算法容易陷于局部极值的缺点，提出了一种改进的PSO优化算法（IPSO）。该算法根据粒子进化速度对粒子个体极值进行自适应扰动，使粒子及时跳出局部极值点而继续优化，从而扩大粒子搜索范围。改进后的PSO算法加快了收敛速度，能够很好地调整算法的全局与局部搜索能力之间的平衡。同时，给出了应用IPSO算法训练支持向量机的方法，并将其应用于说话人辨识。改进后的PSO可以使SVM用较少的SV取得最优分类面，从而减少SVM的训练量，提高了说话人辨识速度。

关键词: 说话人辨识, 粒子群优化算法, 速度进化因子, 极值扰动

Abstract: Aiming at the shortcoming of Particle Swam Optimization（PSO） which is easily relapsing into local extremum，an improved PSO is proposed in this paper.This approach applies the evolution speed factor as the Trigger conditions to stochastically disturb the local optimal solution.The improved PSO algorithm can not only improve extraordinarily the convergence velocity in the evolutionary optimization，but also can adjust the balance between global and local exploration suitably.Then a speaker identification approach using this improved algorithm to train SVM is presented.The SVM can receive the optimal hyper plane with less support vectors by the improved PSO，and then the training samples are reduced and the identification speed is improved.

Key words: speaker identification, Particle Swam Optimization（PSO）, evolution speed factor, extremum disturbance

中图分类号:

TP391

骆瑞玲^1，2，李明²，李睿². 改进的PSO在说话人辨识中的应用[J]. 计算机工程与应用, 2010, 46(2): 135-137.

LUO Rui-ling^1，2，LI Ming²，LI Rui². Application of improved PSO in speaker identification[J]. Computer Engineering and Applications, 2010, 46(2): 135-137.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[3]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[4]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[5]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[6]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[7]	郭世伟，孟昱煜，陈绍立. 改进的PSOGM算法在动态关联规则挖掘中的应用[J]. 计算机工程与应用, 2018, 54(8): 160-165.
[8]	胡震，邹德旋，张旭. R-dPSO算法及其在ATO控制策略中的应用[J]. 计算机工程与应用, 2018, 54(24): 212-220.
[9]	何明慧1，徐怡1，2，王冉1，胡善忠1. 改进的粒子群算法优化神经网络及应用[J]. 计算机工程与应用, 2018, 54(19): 107-113.
[10]	常红伟1，夏克文1，2，白建川1，2，牛文佳1，武盼盼1. 采用云量子PSO的属性约简方法[J]. 计算机工程与应用, 2018, 54(10): 99-104.
[11]	南敬昌，田娜. 基于改进粒子群算法的模糊小波神经网络建模[J]. 计算机工程与应用, 2017, 53(3): 120-123.
[12]	颜宏文，邹丹. 基于关联规则的PSO-Elman短期风速预测[J]. 计算机工程与应用, 2017, 53(23): 261-266.
[13]	翁理国，王骥，夏旻，纪壮壮. 自适应种群更新策略的多目标粒子群算法[J]. 计算机工程与应用, 2017, 53(15): 181-186.
[14]	张军，王远强，朱新山. 改进PSO优化神经网络的短时交通流预测[J]. 计算机工程与应用, 2017, 53(14): 227-231.
[15]	李冰1，2，王虎3，王锐4. 客户群及个体服务选择影响因子研究[J]. 计算机工程与应用, 2017, 53(13): 21-28.

改进的PSO在说话人辨识中的应用

Application of improved PSO in speaker identification

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics