基于Relief_SVM的语音信号特征提取及其识别.pdfVIP

15 5 ( ) 20 13 10 第 卷第 期 重庆科技学院学报 自然科学版 年 月 基于Relief + SVM 的语音信号特征提取及其识别 苏盈盈1，2 刘兴华1 葛继科1 李太福1 文 峰1 ( 1． ， 40 1331; 2 ． ， 400044) 重庆科技 学院电气与信息工程 学院 重庆 重庆大学 自动化学院 重庆 : ， Relief ， 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 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 ， 、 2 ， 24 19 ， 后通过实例分析 对民歌 古筝 种不同音乐进行特征提取后 从原有的 维特征降为 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。 :Relief ; ; ; 关键词 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 ， ， 、 再利用支持向量分类器进行语音信号的识别。 发展 人们获取的信息越来越多 特别是基因工程 、 ， 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 。 D R ， 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 中随机选择一个样本 然后 ， ， R H ， Near 择可以删除无关信息 降低训练样本的维数 减小运 从和 同类的样本中寻找最近邻样本 称为 ， Hit ， R M ， 算复杂度 因此特征选择在数据挖掘中发挥着至关 从和 不同类的样本中寻找最近邻样本 称 重要的作用。 为Near Miss ，然后根据以下规则更新每个特征的权 ， : R Near Hit R