×
张玉梅;郭祥英;吴霞;史素珍;吴晓军

基于UPSO的语音信号序列RPSOVF预测模型。 （英语） Zbl 1419.94019号

国际分叉混沌应用杂志。科学。工程师。 29，第6号，文章ID 1950075，第18页（2019）.
摘要：本文提出了一种具有显式结构的语音信号序列非线性预测模型。为了克服一些固有的缺点，例如局部极小值陷阱、参数选择不当和收敛速度慢，这些缺点通常是由最小二乘法（LMS）在更新Volterra模型核系数时的低性能所产生的不当参数引起的，提出了一种均匀搜索粒子群优化算法（UPSO）来优化Volterra模型的核系数。利用英语音素、单词和短语，建立了基于UPSO的二阶Volterra滤波器（SOVF）语音预测模型。为了降低模型的复杂性，在给定用户设计的误差容限的情况下，提取简化的SOVF（RPSOVF）参数用于加速。实验结果表明，在单帧和多帧语音信号任务中，UPSO-SOVF和UPSO-RPSOVF在均方根误差（RMSE）和平均绝对偏差（MAD）方面均优于LMS-SOVF和PSO-SOVF。UPSO-SOVF和UPSO-RPSOVF能够更好地反映语音信号的趋势和规律，完全能够满足语音信号预测的要求。该模型为语音信号序列提供了一种非线性分析和有价值的模型结构，可进一步用于语音信号重构或压缩编码。

MSC公司：

94甲12 信号理论（表征、重建、滤波等）
62M20型 随机过程推断和预测

关键词：

语音信号;混乱;Volterra预测模型;UPSO算法
PDF格式BibTeX公司 XML格式引用
\textit{Y.Zhang}等人，《国际分叉混沌应用》。科学。Eng.29，No.6，文章ID 1950075，18 p.（2019；Zbl 1419.94019）
全文： DOI程序

参考文献：

[1] Abarbanel，H.D.I.、Masuda，N.、Rabinovich，M.I.和Tumer，E.[2000]“相互信息的分配”，《物理学》。莱特。A281368-373·Zbl 0983.37102号
[2] Bazaraa，M.S.，Sherali，H.D.&Shetty，C.M.[2013]非线性规划：理论与算法（John Wiley&Sons）·Zbl 1140.90040号
[3] Cao，L.[1997]“确定标量时间序列最小嵌入维数的实用方法”，《物理学》D110，43-50·Zbl 0925.62385号
[4] Chang，W.D.[2012]“使用改进粒子群优化对非线性离散时间系统进行Volterra滤波器建模”，Digit。签名流程221056-1062。
[5] Chouikhi，N.、Ammar，B.、Rokbani，N.&Alimi，A.M.[2017]“用于时间序列预测的基于粒子群算法的回波状态网络参数分析”，Appl。软计算55211-225。
[6] Deng，L.，Hinton，G.&Kingsbury，B.[2013]，“语音识别和相关应用的新型深度神经网络学习：概述”，IEEE Int.Conf.Acust。语音符号处理。，第8599-8603页。
[7] Guerin，A.、Faucon，G.和Bouquin-Jeannes，R.L.[2003]“基于Volterra滤波器的非线性回声抵消”，IEEE Trans。语音音频处理.11，672-683。
[8] Kocal，O.H.，Yuruklu，E.&Avcibas，I.[2008]“语音隐写分析的混沌类型特征”，IEEE Trans。通知。Forens公司。安全3，651-661。
[9] Kokkinos，I.、Maragos，P.和Kokkinos，I.[2005]“使用混沌系统模型进行非线性语音分析”，IEEE Trans。语音音频处理.131098-1109·兹比尔1159.68588
[10] Luka，M.K.、Frank，I.A.和Onwodi，G.[2012]，“基于神经网络的豪萨语语音识别”，国际期刊高级研究报告，Artif。情报1，39-44。
[11] Ogorzalek，M.[2002]“基于离散时间混沌的信号编码和压缩：统计方法”，Proc。IEEE国际标准。《电路与系统》，第4卷，第IV-564-IV-567页。
[12] Rosenstein，M.T.，Collins，J.J.&Luca，C.J.D.[1993]“从小数据集计算最大Lyapunov指数的实用方法”，《物理学》D65，117-134·Zbl 0779.58030号
[13] Shi，Y.&Eberhart，R.C.[1998]粒子群优化中的参数选择，第1447卷（Springer，Berlin，Heidelberg），第591-600页。
[14] Sigrist，Z.、Grivel，E.和Alcoverro，B.[2012]“基于LMS变量或误差-变量方法从噪声测量中估算二阶Volterra系统参数”，符号过程921010-1020。
[15] Stavrakoudis，D.G.和Theocharis，J.B.[2007]“用于非线性自适应语音预测的流水线递归模糊神经网络”，IEEE Trans。系统。人类网络。B部分（Cybern.）37，1305-1320。
[16] Sun，J.，Zheng，N.&Wang，X.[2007]“基于非线性动力学的汉语语音增强”，符号处理872431-2445·Zbl 1186.94329号
[17] Thyssen，J.，Nielsen，H.&Hansen，S.D.[1994]“语音编码中的非线性短期预测”，IEEE国际会议Acoust。语音符号处理。，第1卷，第I/185-I/188页。
[18] Wei，R.X.，Han，C.Z.和Zhang，Z.L.[2005]“非线性Volterra系统的全解耦自适应滤波器”，《电子学报》。辛.33，656-659。
[19] Weng，C.，Yu，D.，Watanabe，S.&Juang，B.H.F.[2014]“用于鲁棒语音识别的递归深度神经网络”，IEEE Int.Conf.Acust。语音符号处理。，第5532-5536页。
[20] Wu，X.-J.，Yang，Z.Z.&Zhao，M.[2011]“统一搜索粒子群优化算法”，《电子学报》。辛.201261-1266。
[21] Zhang，S.，Li，H.&Xiao，X.[2005]“混沌时间序列的局部离散余弦变换域Volterra预测”，Chin。物理学。B14，49-54。
[22] Zhang，Y.M.，Wu，X.J.&Bai，S.L.[2013]“交通流序列的混沌特征分析和DFPSOVF预测模型”，《物理学报》。原罪612190509。
[23] Zhang，Y.，Hu，X.，Wu，X.、Bai，S.和Lu，G.[2015]“语音信号序列的Volterra预测模型”，《物理学报》。Sin.64200507年。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。