基于模糊分类的语音模板生成算法设计告

基于模糊分类的语音模板生成算法设计
F0022104 5002219138王立欢特征值规则化
一般在应用中首先遇到的是大量待分类的原始数据，而现实数据中的各个特征值可能带有不同的物理单位，由于量纲的不同，不能直接对原始数据进行聚类，必须首先去除物理单位的干扰，只从数量关系上考虑，因此应对原始数据进行特征值规则化，使其特征值映射到［0，1］区间上。

设原始数据样本X={x1，x2，…，x N}，每个x p有p个特征，即x p=(x i1, x i2,…，x ip), 其中1≤i≤N, X可用一矩阵表示为
(1)
采用式(2)对这p个特征值进行规则化处理得
ij=(x ij-x j min)/(x j min-x j min) (2)
式中，
x ij表示原始数据第i个数据第j个特征值；ij表示第i个数据第j个特征的规则化值。

模糊逻辑神经元聚类模型
我们使用基于模糊逻辑运算的神经网络，对特征值规则化了的模糊矢量进行聚类分析，所有运算均在［0，1］区间进行。

模糊逻辑神经元是一个三层的前馈自组织神经网络，能够实现点值模糊矢量的聚类分析，网络结构如图2所示。

图2模糊神经网络的拓扑结构
第一层神经元为p个线性神经元，等于输入数据的特征数。

第二层神经元的个数为聚类的类别个数c，其作用是实现输入样本与各聚类中心的匹配运算，匹配运算不是采用聚类FCM算法中基于距离度量的匹配，而是利用点值模糊集中的模糊等价关系作为匹配的指标，先计算引入样本与聚类中心各个特征的模糊等价关系，然后对所有特征的模糊等价关系求其均值，即为输入矢量与其类聚类中心的匹配度。

设第k个输入样本为x k=(x k1, x k2,…, x kp), x ki∈［0，1］，1≤i≤p。

各类的聚类中心为ωi=(ωi1,ωi2,…，ωip)，ωij∈［0，1］，1≤i≤c, 1≤j≤p。

x k和ωi的匹配度为
(3)
其中x k≡ωij为第k个输入矢量的第j个特征与第i类聚类中心的第j个特征的模糊等价关系。

(4)
第二层神经元的功能就是实现匹配运算。

第一层与第二层神经元之间的权连续代表各类的聚类中心。

第三层神经元为c个采用逻辑运算的非监督竞争神经元。

它能够检测出匹配度最大的神经元，而对其他神经元的输入有抑制作用。

当利用模糊逻辑神经元聚类分析时，第三层神经元的输出为［0，1］区间的值
(5)
式中：M仅为大于0的实数，M越大，则分类结果越接近于硬聚类。

第二层和第三层神经元之间的权连接为常数。

学习算法
定义能量函数为
(6)
利用梯度优化法，可得到权值修正公式为
ωnew ij=ωold ij+αt Z ik(x ki-ωij)(7)
式中αt∈［0，1］为学习系数。

在模糊聚类中，所有权值同时修正，各类修正步长正比于输入样本隶属于该类的程度。

学习系数为
(8)
式中，α0为初始学习系数，t为学习次数，t max为最大学习次数。

基于模糊逻辑神经元聚类算法的流程
利用模糊逻辑进行聚类分析时，首先需对原始数据进行特征值规格化处理，然后利用模糊逻辑对处理过的数据进行聚类分析。

当模糊逻辑对规格化数据训练、学习收敛之后，利用得到的聚类中心对数据进行分类，整个过程如下：
1) 给定原始数据集X={x1，x2，…，x N}，利用式(3)进行特征规格化处理之后，得到。

2) 固定第一层的个数为p，第二层和第三层的个数为c, p为输入矢量维数，c为聚类的类别个数。

设定误差常数为ε，总循环次数为tmax，初始学习系数为α0。

3) 随机初始化第一层和第二层之间的权连接ωij∈［0，1］，其中1≤i≤c, 1≤j≤p。

4) 设t时刻输入的训练样本为k，对于t=1,2,…,tmax，计算学习系数αt。

a) 利用式(5)和(6)计算输入样本和的匹配度。

b) 进行模糊聚类分析时，利用式(8)计算第三层的竞争输出。

5) 以范数计算误差E＝‖ω （i） ij－ω (i-1) ij‖，如果E≤ε，停止，否则转到第4步。

6) 用收敛后的聚类中心对输入数据计算匹配度，再利用式(7)进行模糊分类。

原理：Fuzzy C-Meams算法
数据（特征点）：X = (x1,x2,…,xp)
数据集合：X = {X1,X2,…,XN}
数组（cluster）：2 < C < N
元函数：Ugi = Ug(Xi)；Ugi∈[1，0]
X的Fuzzy分割行列式：U = (Ugi)；（g = 1,…,C；i = 1,…,N）
Cluster中心：Vg = (Vg1,Vg2,…,Vgp)
Cluster中心集合：V = {V1,V2,…,VC}
步骤：
1.C，M，ε的设定
2.X的Fuzzy分割行列式的初始化：U(0)
3.Cluster中心的算出：Vg
N N
Vg = ∑ Ugi^m Xi/∑Ugi^m (1)
i=1 i=1
4.Fuzzy分割行列式的更新
N
Ugi = 1/∑(dig/dij)^(2/(m-1)) (2)
j=1
dij=||Xi - Vj||
5.根据Fuzzy分割行列式结束判别
如果||U^(b+1) – U^(b)|| <= ε则结束
如果不满足上式，则返回步骤3
参考文献：
1.清华大学学报自然科学版990709《产品开发过程中模糊神经网络规则提取及模糊控制》
2. 西安电子科技大学电子工程学院《模糊聚类理论发展及应用的研究进展》
3.《Decision Level Fusion by Clustering algorithms for Person Authentication》
4.《Using Wavelet Packet Decomposition Technique on Fuzzy Classify Model for
Underwater Acoustic Signal Recognition》
5．《语音识别基础PPT1_7》
6.《基于特征空间轨迹匹配方式的语音关键词检测法》吴旭辉，吴亚栋
7．《一种基于特征空间轨迹匹配方式的语音关键词检测法》吴旭辉，吴亚栋。