PSO-BP神经网络在语音干扰效果评估中的应用

为了克服BP神经网络在连续语音数据干扰效果评估过程中存在的弊端缺陷,提出一种利用粒子群优化算法神经网络的客观语音干扰效果评估方法。该方法利用Mel倒谱技术提取所得的连续语音数据特征参数作为模型输入,再通过粒子群优化对BP神经网络的初始权系进行多点优化,建立了粒子群算法优化的BP神经网络模型,通过优化后的神经网络模型实现输入值到对应主观评价MOS证,对比表明,粒子群算法优化后的BP神经网络模型,其收敛速度较传统BP在4%以内,模型相关系数和标准差更加接近理想参数。     

基于量子自适应粒子群优化径向基函数神经网络的网络流量预测

该文提出一种量子自适应粒子群优化算法,该算法中,粒子位置的编码采用量子比特实现,利用粒子飞行轨迹信息动态更新量子比特的状态,并引入量子非门实现变异操作以避免陷入局部最优。用该算法训练神经网络,实现了径向基函数(RBF)神经网络参数优化,建立了基于量子自适应粒子群优化RBF神经网络算法的网络流量预测模型。对真实网络流量的预测结果表明,该方法的收敛速度和预测精度均要优于传统RBF神经网络法、粒子群-RBF神经网络法、混合粒子群-RBF神经网络法和自适应粒子群-RBF神经网络法,并且预测效果不易受时间尺度变化的影响。     

小波分析和粒子群优化神经网络的语音端点检测

为了提高语音端点检测的适应性和鲁棒性,提出一种小波分析和粒子群优化神经网络（WA -PSO -BP）的语音端点检测算法。首先利用小波分析提取语音信号的特征量,然后将特征量作为输入BP神经网络进行学习,并采用粒子群算法优化BP神经网络参数,从而建立语音端检测模型。仿真结果表明,WA -PSO -BP提高了语音端点检测正确率,有效降低了虚检率和漏检率。这说明WA -PSO -BP是一种可行性较高,环境适应性较强的语音检测算法。     

基于量子粒子群优化算法的光纤光栅参数重构

提出了一种基于量子粒子群优化算法的光纤光栅参数重构方法。该方法通过传输矩阵法得到优化目标函数,并将待优化的光纤光栅参数以粒子表示,再让粒子在解空间模拟量子行为进行搜索。以均匀布拉格光栅和线性啁啾光纤光栅为例,分别采用遗传算法(GA)、经典粒子群优化(PSO)算法以及量子粒子群优化(QPSO)算法对其进行参数重构。与传统粒子群算法及遗传算法相比,该方法借鉴了量子行为,具有更好的收敛性能和稳态性能。数值结果表明,种群规模为40时,针对均匀和非均匀光栅分别进化100代和200代得到的重构参数误差均小于0.5%。     

基于STRAIGHT模型和人工神经网络的语音转换

采用STRAIGHT语音分析一合成模型,提取源说话人和目标说话人的基频和光滑声道谱作为表征语音特征的参数。在频谱训练阶段,把声道谱转换成MFCC参数,采用人工神经网络算法对源一目标说话人的MFCC参数进行训练映射。主观和客观试验结果表明,该方法能取得较好的转换效果,转换语音和目标语音较接近,易于理解。     

基于MQPSO—LQPSO的RBF神经网络训练方法

带有局部搜索的量子粒子群算法是一种较为成功的改进型量子粒子群算法。将该算法用于RBF神经网络的结构优化和参数优化,在确定网络参数的同时也确定了网络的结构。在函数逼近上的仿真实验表明,这种优化是有效的。     

基于广义回归神经网络的面罩语音矫正研究

为了提高面罩语音的清晰度和可懂度,提出一种基于广义回归神经网络(GRNN)对线谱对(LSP)参数进行非线性建模的面罩语音矫正方法。分别提取正常语音和面罩语音的LSP参数,其次利用LSP参数对GRNN进行训练,得到矫正模型,将面罩语音的LSP参数通过矫正模型进行修正,并将结果作为参数用来合成新的语音。实验结果表明,利用GRNN训练出的矫正模型能够有效地调整面罩语音的LSP参数,在一定程度上能够恢复其频谱分布。     

基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测

针对短时交通流数据的非线性和随机性特点,为提高它的预测精度和收敛速度,该文从模型构建和算法两方面提出一种整合移动平均自回归(ARIMA)模型和遗传粒子群算法优化小波神经网络(GPSOWNN)相结合的预测模型和算法。在模型构建方面,将ARIMA模型预测值和灰色关联系数大于0.6的相关性强的前3个时刻的历史数据作为小波神经网络(WNN)的输入,在兼顾历史数据的平稳和非平稳的情况下,进行了模型结构简化。在算法方面,通过遗传粒子群算法对小波神经网络的参数初始值进行最优选取,可使其结果在不易陷入局部最优的条件下加快网络训练收敛速度。实验结果表明,在预测精度方面,该方法的模型明显优于整合移动平均自回归模型和遗传粒子群算法优化小波神经网络,在收敛速度方面,用遗传粒子群算法优化模型明显优于仅用遗传算法优化模型。     

大型数据库重复记录检测与优化研究

研究大型数据库重复记录检测与优化,利用Jaro算法以及TF-IDF算法计算大型数据库不同记录字段相似度量函数,所获取字段相似度量函数作为记录特征向量,经过人工标记后设置为BP神经网络期望输出。构建BP神经网络学习样本,设置变参数量子粒子群初始连接权值与阈值作为粒子,利用BP神经网络依据学习训练样本获取量子粒子群适应度函数值,确定粒子此刻最优位置以及全局最优位置。将全局最优位置粒子设置为BP神经网络初始连接阈值以及权值,重复更新粒子位置,利用所获取训练集学习结果建立大型数据库重复记录检测模型,检测模型输出结果大于检测门限值时,该记录为大型数据库内重复记录,否则为非重复记录。实验结果表明,采用该方法检测包含100 000条记录的大型数据库,检测召回率以及准确率均高于98.5%。     

QPSO改进灰色融合模型的软件故障预测

为了提高小样本的预测精度,提出了一种基于量子行为粒子群优化与数据融合算法的灰色融合预测模型。首先从两个方面改进了GM(1,1)模型,对原始序列进行了幂函数变换,并采用量子行为粒子群优化算法实现了参数的优化。然后提出了多次建模的策略,利用原始序列的不同分量分别建立GM(1,1)改进模型进行预测,将各次预测值进行融合得到最终结果。最后用该模型进行软件故障预测,结果表明其相对误差在3%以内,适用于平滑性较差和高增长的序列预测。     

矩形微带天线谐振频率的粒子群神经网络建模

谐振频率是微带天线设计过程中最重要的一个参数,直接决定设计的成败.文章提出一种改进的前向神经网络模型,该模型采用粒子群优化算法进行训练,网络结构可以根据被建模问题的复杂程度进行自适应调整,进而得到泛化能力好的神经网络.通过这种改进的粒子神经网络对矩形微带天线的谐振频率进行建模,得到的结果明显优于该问题已有文献的结果,可见这种粒子群神经网络对此问题的有效性.基于粒子群神经网络的矩形微带天线谐振频率模型可以明显提高微带天线的计算机辅助设计水平.     

神经网络在高校图书馆图书借阅流量预测中的应用

由于高校图书馆图书借阅流量具有一定的非线性特性,传统的回归分析、灰色模型等方法难以处理这种非线性时间序列问题,影响了预测精度。为了提高预测精确度,提出粒子群优化RBF神经网络的图书借阅流量预测模型。该方法以图书馆图书借阅流量历史数据进行RBF神经网络建模,采用粒子群算法对RBF神经网络参数进行优化,最后建立了图书借阅流量动态响应模型。预测结果表明该模型预测结果合理,精度较高,为图书馆提高工作效率和服务质量提供了参考依据。     

干扰识别的量子粒子群和支持向量机算法

根据支持向量机结构风险最小化原则和量子粒子群快速全局优化的特点,提出了干扰样式识别的QPSO-SVM算法。采用量子粒子群算法优化支持向量机参数,建立了干扰样式特征组分识别的模型,经过仿真试验,表明该算法具有识别率高,计算时间短的优点。     

基于量子粒子群模糊C均值聚类算法应用研究

模糊C均值聚类对初始参数有着较强的依赖性,文中针对其对初始聚类中心敏感的问题,提出利用量子粒子群来优化FCM的初始聚类中心。粒子群优化算法具有较强的全局搜索能力,但局部搜索能力不足,因此借助于量子理论,将粒子群量子化,借助量子旋转门改变粒子的移动,同时利用量子非门增加种群的多样性,加强粒子群优化算法的局部寻优能力。并最终利用量子粒子群优化算法搜寻FCM算法的初始聚类中心,通过实验仿真表明,改进的算法在加快搜索速度的同时,能获得较为稳定的聚类中心且分割效果明显优于标准的FCM算法。     

混合粒子群算法优化神经网络的研究

针对BP神经网络初始权阈值的确定所具有的随机性和各个隐含层神经元数的不确定性,通过利用混合粒子群优化算法来同时优化神经网络的初始权阈值和结构.首先通过混合粒子群优化算法来确定一个较好的搜索空间,然后在这个解空间里再通过BP算法对网络进行训练和学习,搜索出最优的网络结构和权阈值.通过Iris模式分类、Wine模式分类问题和广义异或问题来对该模型进行训练和测试,相比遗传算法等其他算法,该模型可以获得更高的正确识别率,结果表明此方法是可行的.     

粒子群算法优化神经网络结构的研究

针对BP神经网络初始权阈值确定的随机性和隐含层节点数的不确定性,通过利用十进制粒子群优化算法（DePSO）和二进制粒子群优化算法（BiPSO）,同时优化神经网络的初始权阈值和结构。通过粒子群优化算法首先确定一个较好的搜索空间,然后在这个解空间里利用BP算法对网络进行训练和学习,搜索出最优解。通过函数拟合数值实验对该模型来进行训练和测试,相比其他算法,该模型可以获得较高的预测精度,结果表明该方法是可行的。     

基于遗传粒子群算法的海上风电系统参数优化

为提升海上风电系统的运行能力,使其阻尼比指标始终保持相对较高的数值水平,提出基于遗传粒子群算法的海上风电系统参数优化方法。根据遗传算法优化电信号参数,采用粒子群算法判别电信号能力,通过设置电量频谱参数完成基于遗传粒子群算法的电量频谱分配。建立风电系统传递函数,利用发电机建模原则计算DFIG-PSS优化参量的具体数值,实现对海上风电系统参数的按需优化。实验结果表明,随着遗传粒子群算法优化手段的应用,电信号阻尼比指标能够长期保持较高的数值水平,与基于PSO算法的调度模型相比,更能提升海上风电系统的稳定运行能力,符合实际应用需求。     

基于神经网络和粒子群算法的激光熔覆工艺优化

采用反向传播(BP)神经网络和粒子群算法相结合的方法对激光熔覆过程的工艺参数进行优化。运用BP神经网络建立熔覆带特征(熔覆带高度、熔覆带宽度)与熔覆工艺参数之间的预测模型,利用训练样本对所建立的网络进行训练,形成输入与输出之间的高度映射关系,在此基础上,使用粒子群优化算法对工艺参数进行寻优。试验结果表明,使用该方法优化得到的工艺参数进行加工获得的结果与预期结果有较小的误差,有利于获得预期的熔覆质量。     

基于改进粒子滤波的电力线载波通信语音增强

针对噪声和混响环境下的电力线载波机语音通信系统聆听上的困难,研究了为实现多路电力线载波机复接器所采用的粒子滤波的语音增强算法,提出了一种基于粒子群优化的改进粒子滤波算法,它将语音增强问题转换为从带噪语音中对纯净语音的估计过程,引入粒子群优化的方法来产生建议分布,使降噪结果更接近纯净语音,从而得到更好的语音增强效果。     

一种新型正弦语音编码模型

本文描述了一种新型语音编码模型,这种模型是一种改进的正弦模型。该模型使用正弦幅度、频率和相位作为模型参数。模型的频率参数提取是用基频和共振峰频率结合的新提取算法,正弦幅度参数采用不同误差准则以及时额标加权函数的优化方法。采用这种新型正弦模型能够用较少的参数合成出高质量的合成语音。 结合模型算法,本文还提出新的时域关键点加权函数,以及频域的基频提取算法。该模型可用于中低速比特率语音编码,以及用于语音的时标,频标的压扩处理。