人工蜂群算法改进DHMM的语音识别方法

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (28): 16-19.

人工蜂群算法改进DHMM的语音识别方法

宁爱平1，2，张雪英1

1.太原理工大学信息工程学院，太原 030024
2.太原科技大学电子信息工程学院，太原 030024

出版日期:2012-10-01 发布日期:2012-09-29

Speech recognition algorithm based on artificial bee colony modified DHMM

NING Aiping1，2, ZHANG Xueying1

1.College of Information Engineering, Taiyuan University of Technology, Taiyuan 030024, China
2.College of Electronics and Information Engineering, Taiyuan University of Science and Technology, Taiyuan 030024, China

Online:2012-10-01 Published:2012-09-29

摘要/Abstract

摘要： 针对离散隐马尔可夫（Discrete Hidden Markov Model，DHMM）语音识别系统中LBG算法对初始码书的依赖性和易陷入局部最优解的问题，采用人工蜂群（Artificial Bee Colony，ABC）算法对语音特征参数进行矢量量化，从而得到最优码书，提出了ABC改进DHMM的孤立词语音识别方法。先提取语音信号的特征参数，然后用ABC算法中每个食物源表示一个码书，以人工蜂群进化的方式对初始码书进行迭代而获得最优码书，最后把最优码书的码矢标号代入DHMM模型进行训练和识别。实验结果表明，ABC改进的DHMM语音识别方法与传统的LBG及粒子群优化初始码书的LBG的DHMM语音识别方法相比具有较高的识别率和较好的鲁棒性。

关键词: 人工蜂群算法, 离散隐马尔可夫, 语音识别

Abstract: The paper proposes the modified DHMM speech recognition algorithm which uses Artificial Bee Colony algorithm（ABC） to cluster speech feature vector and generate the optimal codebook in the Discrete Hidden Markov Model（DHMM） speech recognition system. In the experiments, extract the feature vector of speech. In ABC algorithm, each food source indicates a codebook. The optimal codebook is obtained by using bee evolution ways to iterative initial codebook. The optimal codebook enters the DHMM to be trained and recognized. The experimental results show that the modified DHMM speech recognition algorithm has higher recognition ratio and better robustness than DHMM algorithm which uses the traditional LBG algorithm and the LBG algorithm of particle swarm optimization initial codebook.

Key words: Artificial Bee Colony（ABC） algorithm, Discrete Hidden Markov Model（DHMM）, speech recognition

宁爱平1，2，张雪英1. 人工蜂群算法改进DHMM的语音识别方法[J]. 计算机工程与应用, 2012, 48(28): 16-19.

NING Aiping1，2, ZHANG Xueying1. Speech recognition algorithm based on artificial bee colony modified DHMM[J]. Computer Engineering and Applications, 2012, 48(28): 16-19.

[1]	李雨鑫，李悦悦. 面向JIT采购的多目标车辆调度[J]. 计算机工程与应用, 2021, 57(12): 263-272.
[2]	李顺东，游晓明，刘升. 结合ABC算法动态分级的双蚁态蚁群算法[J]. 计算机工程与应用, 2020, 56(12): 37-46.
[3]	娄英丹，徐静林，黄丽霞，张雪英. MLLR和MAP在远场噪声混响下的语音识别研究[J]. 计算机工程与应用, 2020, 56(10): 122-126.
[4]	宋晓宇，高明海，赵明. 具有自适应搜索策略的混合人工蜂群算法[J]. 计算机工程与应用, 2019, 55(22): 53-59.
[5]	浦玉学，舒鹏飞，蒋祺，陈卫中. 工业机器人时间-能量最优轨迹规划[J]. 计算机工程与应用, 2019, 55(22): 86-90.
[6]	王贞，李旭飞. 求解约束优化问题的自适应人工蜂群算法[J]. 计算机工程与应用, 2019, 55(15): 47-58.
[7]	张维存，张曼. 面向连续生产的供应链联合调度及算法[J]. 计算机工程与应用, 2019, 55(13): 246-253.
[8]	张戈，王建林. 基于混合ABC和CRO的高维特征选择方法[J]. 计算机工程与应用, 2019, 55(11): 93-101.
[9]	魏锋涛，岳明娟，郑建明. 基于多策略融合的改进人工蜂群算法[J]. 计算机工程与应用, 2018, 54(5): 111-116.
[10]	赵悦，李要嫱，徐晓娜，吴立成. 临近最优主动学习的藏语语音识别方法研究[J]. 计算机工程与应用, 2018, 54(22): 156-159.
[11]	刘明辉1，李炜2. 基于knee points的改进多目标人工蜂群算法[J]. 计算机工程与应用, 2018, 54(2): 40-47.
[12]	黄亚飞，王国富，张法全，叶金才. 基于蜂群算法和带参阈值函数的图像去噪方法[J]. 计算机工程与应用, 2018, 54(17): 164-168.
[13]	张伟灿，何选森. 基于改进蜂群聚类的欠定盲源分离[J]. 计算机工程与应用, 2018, 54(17): 243-248.
[14]	黄晓辉1，2，李京1，马睿2，3. 藏语口语语音语料库的设计与研究[J]. 计算机工程与应用, 2018, 54(13): 231-235.
[15]	林诗洁1，2，董晨1，2，陈明志1，2，张凡1，2，陈景辉1，2. 新型群智能优化算法综述[J]. 计算机工程与应用, 2018, 54(12): 1-9.