基于距离排序的DUPSO-DSVM民歌快速分类算法研究

在网络信息快速发展的时代背景下,不同的音乐爱好者对音乐信息检索的需求也在不断提高,音乐分类成为了一个非常值得研究的问题。提出了将耗散均匀搜索粒子群优化算法DUPSO与基于距离排序的支持向量预选取算法DSVM相结合的DUPSO-DSVM民歌快速分类算法。该算法利用DUPSO算法对SVM的惩罚系数C和核函数参数g进行优化,并利用DSVM算法优化DUPSO算法的参数优化时间。实验结果表明,在使用了DUPSO-DSVM算法之后,算法的训练时间只占未使用DUPSO-DSVM算法的26.26%,民歌分类正确率为84%,但仍然保持着较高的分类正确率。

隐相空间的DUPSO-RPSOVF语音预测模型研究

提出了一种基于二阶Volterra级数的语音信号非线性预测模型.为克服传统的最小均方(Least Mean Square,LMS)算法在模型核系数更新时的固有缺点,引入耗散均匀搜索粒子群优化算法(Dissipative Uniform Particle Swarm Optimization,DUPSO)求解核系数,并构建了DUPSO-SOVF预测模型;为避免传统方法中相空间的重构过程,构建了隐相空间DUPSO-SOVF预测模型,在求解模型核系数时动态地求解出最优嵌入维数和延迟时间;为降低模型复杂度,在误差允许范围内进行模型关键项的提取,从而减少了核系数个数,构建了少参数的DUPSO-RPSOVF(Reduced Parameter SOVF,RPSOVF)预测模型.将英语音素、单词和短语作为实验样本数据进行仿真,结果表明:隐相空间DUPSO-SOVF模型能够准确的计算出相空间重构参数,DUPSO-SOVF和DUPSO-RPSOVF两种预测模型对单帧和多帧语音信号均具有较高的预测精度,优于PSO-SOVF和LMS-SOVF预测模型,并且能够很好地反映语音序列变化的趋势和规律,可以满足语音序列预测的要求.