一种两阶段混合的DHMM参数估计方法

在运用隐马尔可夫模型(Hidden Markov Model)解决问题的过程中,HMM的参数估计(训练)是最为关键的一步.为进一步提高模型精度,提出了一种两阶段混合的DHMM参数估计方法,与传统方法相比,该算法不依赖于初始值,具有更大的概率得到全局最优解.     

一类改进的类电磁机制算法

针对一种新的启发式全局优化算法类电磁机制算法,提出了一类改进的类电磁机制算法,改进了算法中局部搜索方法,搜索得到的初始种群更适宜于进化;对力的计算方法做了改进,使算法收敛速度加快;改进了粒子的更新过程,使得算法在进化后期能更有效地收敛到全局最优解.实验表明,与原算法相比,新算法性能更好、应用范围更广泛.     

基于小生境遗传算法的移动机器人路径优化

针对标准遗传算法存在收敛性慢和局部最优解的缺陷,结合移动机器人行走特点,提出一种基于预选择机制小生境技术的改进遗传算法中移动机器人路径规划方法.该方法兼顾对局部最优解和全局最优解的搜索,维持群体的多样性,避免了早期收敛现象的发生;同时也增强了自然群体进化的并行性,加快了搜索进程.计算机仿真结果表明,该算法在收敛速度和输出全局最优解概率方面相对于标准遗传算法有了显著提高.     

解无约束非线性全局优化的一种新进化算法及其收敛性

进化算法是解复杂非线性规划问题的一种新型有效方法,但现有方法的计算量通常较大.为减小计算量,提高算法的效率,本文利用均匀设计来构造新的高效进化算法,新的进化算法本身具有类似于传统优化技术中的局部搜索功能,因此它能非常有效地搜索解空间,保持种群的多样性,减小计算量.文中还证明了新算法的全局收敛性.最后的模拟结果表明,新算法计算量小且收敛速度快.     

一种基于进化模型的聚类算法

对于模糊聚类算法对初值或者隶属度矩阵敏感,不能保证收敛到全局最优解的问题,文中提出了一种新的进化聚类算法遗传模拟退火聚类算法SAGA-FCM。利用模拟退火算法较强的局部搜索能力和遗传算法较强的全局搜索能力,以避免模糊聚类算法收敛到局部极值或鞍点。实验对不同的人工数据集进行测试,结果分析表明SAGA-FCM算法有比较好的收敛值和收敛速率,具有良好的聚类效果。     

基于混沌遗传算法的非均匀应变分布重构研究

针对基本遗传算法在解决实际最优化问题时可能存在的收敛速度慢、易于陷入局部最优解等问题,提出从适应度排序标定和混沌算子嵌入两方面进行算法性能的改进。前者避免了传统适应度值计算方法中较小目标函数值导致的具有过大适应度值的个体对种群进化方向的影响,使得种群始终能够保持恒定的进化压差促进最优解的搜索;后者则增强了遗传算法局部搜索的能力,从而提高了近似最优解向全局最优解转化的可能性。在此基础上,建立了一种基于混沌遗传算法的光纤布拉格光栅(FBG)轴向非均匀应变分布重构方法,仿真算例表明,混沌遗传算法有效改善了非均匀应变分布重构算法的收敛性能,提高了重构的精度。讨论了算法中相关参数的设置对非均匀应变分布重构精度的影响。     

基于进化算法的矢量量化索引值分配算法

本文提出了一个基于进化算法的矢量量化（VQ）的码磁索引值分配算法（EAIAA），该算法提出了一种有效的获得全局最优的索引值分配方法，在存在信道噪声的情况下，可以有效地提高矢量量化器的性能，实现了信道最优矢量量化器（COVQ）的设计，该算法利用进化算法的隐含并行性搜索方法和优胜劣汰的自然选择机制，可迅速寻找至全局最优解，克服了传统估化算法只能提供局部最优解的缺陷，实验结果表明该算法可获得比传统算法更高的性能增益。     

一种非线性回归模型参数估计的混合基因算法

提出了一种新的结合可变多面体法和基因算法的混合基因算法(HGA),它通过对问题的解空间交替进行全局和局部搜索,达到快速收敛至全局最优解,较好地解决了基因算法在达到全局最优解前收敛慢的问题。非线性回归模型参数估计的实验表明该算法具有较好的通用性和有效性。     

基于自适应信息素调整的连续空间优化蚁群算法

对于基本蚁群算法(ACA)不适用求解连续空间问题,并且极易陷入局部最优的缺点,提出了一种基于自适应的蚁群算法。路径搜索策略采用基于目标函数值搜索筛选局部最优解的策略,确保能够迅速找到可行解。信息素更新策略采用自适应的启发式信息素分配策略,使算法能够快速收敛到全局最优解。对2个求函数极值问题进行优化并与其他算法进行比较,结果表明该算法能很好的应用于对连续对象的优化,同时具有较高的寻优精度高,搜索速率快,良好的全局优化性能。     

基于Memetic算法的电路演化设计研究

 针对传统演化算法在设计数字逻辑电路时存在的演化速度缓慢和容易陷入局部最优解等问题,设计了一种Cartesian进化编程编码的电路演化Memetic算法,采用遗传算法作为全局搜索方法,并设计了适合电路演化的基本门种类局部搜索策略.通过一位全加器电路证明所提出的Memetic硬件演化算法的搜索能力,实验证明所提出的算法能够有效地完成进化任务,具有较强的全局快速和局部搜索能力.     

Use of multiple vector quantisation for semicontinuous-HMM speechrecognition

Although the continuous hidden Markov model (CHMM) technique seems to be the most flexible and complete tool for speech modelling. It is not always used for the implementation of speech recognition systems because of several problems related to training and computational complexity. Thus, other simpler types of HMMs, such as discrete (DHMM) or semicontinuous (SCHMM) models, are commonly utilised with very acceptable results. Also, the superiority of continuous models over these types of HMMs is not clear. The authors' group has previously introduced the multiple vector quantisation (MVQ) technique, the main feature of which is the use of one separated VQ codebook for each recognition unit. The MVQ technique applied to DHMM models generates a new HMM modelling (basic MVQ models) that allows incorporation into the recognition dynamics of the input sequence information wasted by the discrete models in the VQ process. The authors propose a new variant of HMM models that arises from the idea of applying MVQ to SCHMM models. These are SCMVQ-HMM (semicontinuous multiple vector quantisation HMM) models that use one VQ codebook per recognition unit and several quantisation candidates for each input vector. It is shown that SCMVQ modelling is formally the closest one to CHMM, although requiring even less computation than SCHMMs. After studying several implementation issues of the MVQ technique. Such as which type of probability density function should be used, the authors show the superiority of SCMVQ models over other types of HMM models such as DHMMs, SCHMMs or the basic MVQs     

基于ADSABC算法优化WNN的语音识别研究

小波神经网络(WNN)具有高度的非线性映射功能及强大的自适应能力,但是WNN算法存在易陷入局部极小值,收敛速度慢。而人工蜂群算法(ABC)具有很强的全局搜索能力及较快的收敛速度。两者优势互补,已结合应用于语音识别中。本文对ABC算法做出改进,在采蜜蜂和观察蜂阶段各提出一个新的解搜索方程,采取自适应的双搜索方式(Adaptive Double Search)求解,从而提高算法的收敛速度和收敛精度。并将其和WNN算法进行结合,组成一种训练神经网络的新算法ADSABC-WNN,该算法既能克服WNN算法的缺点,又能保存双方的优点。实验结果表明,与传统ABC算法优化小波神经网络相比,识别率提高均有所提高,其中在词汇量为50时识别率提高了4.51%。将实验结果与其他方法优化的小波神经网络模型进行比较,在噪声环境下,该混合模型可以有效地减少识别时间,而且可以明显提高网络的训练速度和语音识别的识别率。     

基于SVM的二次下降有效集算法

针对现有的有效集方法应用到支持向量机(support vector machine,SVM)优化问题时收敛速度较慢的问题,提出了一种基于二次下降法和推测赋值法的有效集算法.该算法在每次迭代过程中利用映射因子将迭代向量值限制在优化问题的不等式约束中,并通过调整步长使目标优化问题的函数值较传统的有效集算法进一步下降.由于函...     

Speech recognition based on genetic algorithm for training HMM

Based on global optimisation, a new genetic algorithm for training hidden Markov models (HMMs) is proposed. The results of speech recognition are presented and a comparison made with the classic training HMM algorithm     

一种协同神经网络不平衡参数的差分优化方法

协同模式识别方法是协同学原理应用于模式识别领域的一种新方法,识别过程中通过调整神经网络的注意参数,能改进系统的识别性能,对协同神经网络参数在不平衡条件下进行优化,能充分利用协同神经网络的自学习能力,以提高识别效果。差分进化作为一种有效的全局近似最优解的搜索算法,具有收敛性好、速度快的特点,文中提出了一种基于差分进化的方法对协同神经网络中参数进行优化,在协同神经网络的参数空间搜索最优参数,采用了均方适应度方差的机制自适应调整搜索速度和搜索精度,克服差分进化算法参数调整困难的不足,以提高算法的寻优能力,新方法具有全局兼局部寻优能力,不易陷入局部极值,同时新方法采用约简的序参量进化参数,使优化算法能有效提高协同神经网结的效率,实际图像的分类识别结果表明,注意参数的变化会导致完全不同的识别结果,另外,本文还将新算法与平衡参数的方法、其它优化的非平衡参数的协同学习算法进行了全局优化能力的比较,采用新方法具有更快的收敛速度和更优的分类识别效果。      

基于改进蚁群算法的移动机器人路径规划研究

为解决传统蚁群算法收敛速度慢、极易陷入局部最优解的问题,文中提出了一种改进蚁群算法,并将其应用于移动机器人路径规划问题。蚁群算法的路径规划采用栅格法建立环境模型,并对障碍物进行扩大处理,从而有效降低了移动机器人在运动过程中与障碍物相碰撞的可能性;构造启发函数以降低蚁群搜索路径的长度;引入信息素扩散算法,并提高算法在初期的全局搜索能力,从而加快了算法的后期收敛速度。仿真结果表明,所提出的算法在收敛速度上比传统蚁群算法提高近一倍,可以规划出最优路径。     

基于并行分离增广拉格朗日乘子法的字符矫正

字符矫正是光学字符识别(OCR)系统预处理过程中 的重要步骤,针对传统的增广拉格朗日乘子法(ALM)求解字符矫正问题时收敛性和计算速度 的不足,本文研究了并行分离的增广拉格朗日乘子法,综合考虑字符矫正模型的建立过程, 提出并行分离方法与ALM相结合的思想解决字符 矫正问题。用并行方式将迭代问题分解成3个子问题,计算时能够同时求解分解后的这3个 子问题,然后进行凸组合,最 后收敛到问题的最优解。实验结果表明,本文算法能够快速准确地对变形的字符图像进 行矫正,并且具有良好的实时性和适 应性,可用于OCR系统的矫正预处理中,提高OCR系统的识别率。     

基于3维空间Viterbi算法的汉语连续语音识别方法

本文提出了基于３维空间Ｖｉｔｅｒｂｉ算法的汉语连续语音识别方法。本方法采用６０个音素单位的隐马尔可大模型（ＨＭＭ）和８个声调单位的ＨＭＭ作为识别用基元模型。音素基元模型和声调基元模型的识别结果的统合,采用音素单位的ＨＭＭ状态,声调单位的ＨＭＭ状态和时间的３维空间Ｖｉｔｅｒｂｉ算法来实现。     

Human Action Recognition Based on 3D Human Modeling and Cyclic HMMs

Human action recognition is used in areas such as surveillance, entertainment, and healthcare. This paper proposes a system to recognize both single and continuous human actions from monocular video sequences, based on 3D human modeling and cyclic hidden Markov models (CHMMs). First, for each frame in a monocular video sequence, the 3D coordinates of joints belonging to a human object, through actions of multiple cycles, are extracted using 3D human modeling techniques. The 3D coordinates are then converted into a set of geometrical relational features (GRFs) for dimensionality reduction and discrimination increase. For further dimensionality reduction, k‐means clustering is applied to the GRFs to generate clustered feature vectors. These vectors are used to train CHMMs separately for different types of actions, based on the Baum–Welch re‐estimation algorithm. For recognition of continuous actions that are concatenated from several distinct types of actions, a designed graphical model is used to systematically concatenate different separately trained CHMMs. The experimental results show the effective performance of our proposed system in both single and continuous action recognition problems.     

量子进化策略

本文将进化策略和量子理论相结合,提出一种新的学习算法-量子进化策略(Quantum Evolutionary Strategies)算法.它是一种基于量子计算的概念和理论(诸如量子比特和量子叠加态)的进化策略算法,在这一算法中,采用量子编码来表征染色体,使用量子变异实现染色体的进化.由于量子变异中融入了当前最优解的信息,同时采用“全干扰交叉”操作克服早熟现象的发生,因此它比传统进化策略具有更快的收敛速度和全局寻优的能力.本文不仅从理论上证明了它的全局收敛性,而且仿真计算也表明了此算法的优越性.