基于ReliefSVM的语音信号特征提取及其识别.pdfVIP

第15卷第5期 重庆科技学院学报(自然科学版) 2013年10月 苏盈盈1，2 刘兴华1 葛继科1 李太福1 文峰1 (1．重庆科技学院电气与信息工程学院，重庆401331；2．重庆大学自动化学院，重庆400044) 摘要：针对语音信号的原始波形不能直接用于识别的问题，提出利用Relief算法对语音信号进行特征提取，在降低 输入特征维数的同时，保留原有信号的特征。再利用结构风险最小化的支持向量分类器进行语音信号的识别。最 后通过实例分析，对民歌、古筝2种不同音乐进行特征提取后，从原有的24维特征降为19维，分类器的正确率达到 95．6％，而且算法的运行时间明显缩短。仿真结果表明该方法在语音信号特征选择，提高算法运行速度方面有明显 效果。 关键词：Relief；支持向量分类器；语音信号；特征选择 中图分类号：TN912．3 文献标识码：A 文章编号：1673—1980(2013)05—0122—04 随着检测技术、计算机和互联网等信息技术的 的区分能力。本文将其用于语音信号的特征提取， 发展，人们获取的信息越来越多，特别是基因工程、 再利用支持向量分类器进行语音信号的识别。 文本分类、图像检索等对象的出现，使得所获取的数 1 Relief算法 据复杂度越来越高。如何快速降低数据复杂度，有 效进行数据挖掘已成为一个研究重点。由于特征选 算法从训练集D中随机选择一个样本尺，然后 择可以删除无关信息，降低训练样本的维数，减小运 从和R同类的样本中寻找最近邻样本日，称为Near 算复杂度，因此特征选择在数据挖掘中发挥着至关 Hit，从和R不同类的样本中寻找最近邻样本M，称 重要的作用。 为NearMiss，然后根据以下规则更新每个特征的权 在语音识别中，不能将语音信号的原始波形直 重：如果尺和NearHit在某个特征上的距离小于R 接用于识别，必须经过一定的变化提取出反映语音 和NearMiss上的距离，则说明该特征对区分同类和 本质的特征参数来进行识别。目前最常用的有线性 不同类的最近邻是有益的，则增加该特征的权重；反 预测倒谱系数(LPCC)…和美尔频标倒谱系数(MF—之，如果R和NearHit在某个特征上的距离大于尺 CC)旧1。近年来国内外学者提出了感知加权线性预和NearMiss上的距离，说明该特征对区分同类和不 Linear Predictive)旧J，也有学同类的最近邻起负面作用，则降低该特征的权重。 测特征PLP(Perceptual with 以上过程重复m次，最后得到各特征的平均权重。 者采用上升过零率和峰值幅度(Zero—Crossings Peak Amplitudes，ZCPA)M1方法来提取语音的特征特征的权重越大，表示该特征的分类能力越强，反 参数，使其具有较好的识别性能，这些在一定程度上 之，表示该特征的分类能力越弱。Relief算法的运 提高了语音的识别率。但语音信号的参数众多，如 行时间随着样本的抽样次数m和原始特征个数Ⅳ 何在特征提取过程中抽取保持语音信号最重要的特 的增加而线性增加，因而运行效率非常高。 征参数，成为一个急需解决的问题。 在计算特征权重的过程中利用了假设间隔的概 Relief算法是一种特征权重算法，根据各个特念。它是对分类器决策信任度的一种度量，是指在 征和类别的相关性赋予特征不同的权重。Relief算保持样本分类不变的情况下决策面能够移动的最大 法中特征和类别的相关性是基于特征对近距离样本 距离。可表示为： 收稿日期：2013—03—29 基金项目：重庆市自然科学基金项目(cstc2012jjA40026)；重庆科技学院校内科研基金项目(CK2011201) 作者简介：苏盈盈(1980一)，女，黑龙江伊春人，