PSO与PCA融合优化核极限学习机说话人识别算法仿真

作     者：苗凤娟 孙同日 陶佰睿 李敬有 张光妲 刘凯达 MIAO Feng-juan;SUN Tong-ri;TAO Bai-rui;LI Jing-you;ZHANG Guang-da;LIU Kai-da

作者机构：齐齐哈尔大学通信与电子工程学院齐齐哈尔161006 齐齐哈尔大学现代教育技术中心齐齐哈尔161006 

出 版 物：《科学技术与工程》 (Science Technology and Engineering)

年 卷 期：2019年第19卷第21期

页      面：195-199页

学科分类：0810[工学-信息与通信工程] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0835[工学-软件工程] 081002[工学-信号与信息处理] 

基　　金：黑龙江省教育厅基本业务专项(135106244、135309115、135309211) 黑龙江省教育科学“十二五”规划备案课题(GBC1214089) 黑龙江省高等教育教学改革项目(SJGY20170384) 齐齐哈尔大学学位与研究生教育教学改革研究项目资助 

主　　题：说话人声纹识别 核极限学习机 主成分分析 粒子群优化 

摘      要：基于机器学习理论开展说话人识别的研究取得了很大进展,在基于核极限学习机(kernel extreme learning machine,KELM)和梅尔倒谱系数(mel-frequency cepstral coefficients,MFCC)说话人识别研究基础上,通过主成分分析算法(principal component analysis,PCA)对MFCC进行降维优化、粒子群优化算法(particle swarm optimization,PSO)对KELM初始输入参数进行优化开展基于PSO和PCA融合优化KELM说话人识别算法研究。改进后的算法在MATLAB平台上仿真通过,并与MATLAB语音工具箱提供的神经网络和支持向量机说话人识别算法做了性能对比分析。仿真研究结果表明:通过PSO和PCA融合优化改进的KELM,初始输入参数可以任意确定并且不需要迭代更新,并能有效克服因初始权重随机确定导致的性能不稳定,进一步提高分类匹配和运算速度,具有很好的推广应用价值。