初始码字间距最大化的矢量量化码书设计算法

目前对传统LBG算法的改进措施一般以增加时间开销作为代价.本文提出一种新的矢量量化码书设计改进措施--初始码字间距最大化:初始码书中的码字全部来自输入的训练矢量,且每一个新的初始码字尽可能地远离现有的码字,实验结果表明:本算法完全消除了空胞腔现象,更有效地避免了局部最优,能获得质量更高的码书;收敛速度快,具有较低的时间消耗.本算法在时间开销以及码书质量这两个方面都优于传统LBG和基于人工蚁群优化的码书设计算法等改进算法.     

应用协同进化的图像矢量量化码书设计方法

为了减小LBG算法对初始码书的依赖性,提高跳出局部最优的能力,提出了一种基于协同进化的矢量量化码书设计方法（Coevolution Based LBG,CLBG）。该算法根据码书在同其他码书竞争中的表现来衡量码书的适应度。实验结果表明：CLBG有效地减小了算法对初始码书的依赖性,所得码书性能超过了其他典型的改进码书设计方法。     

粒子群优化算法在图像矢量量化码书设计中的应用

鉴于经典的LBG码书设计算法易陷入局部最优解,首次采用粒子群优化算法来设计图像矢量量化的最优码书,并提出了粒子群矢量量化（PSO-VQ）算法和粒子一致性操作（PCO）。在PSO-VQ算法中,每个粒子表示一个码书,以粒子群进化的方式对初始码书进行迭代而获得最优码书,PCO操作对各初始码书中的码矢量按其灰度均值排序,使不同码书的内部结构基于码矢量灰度均值达到基本一致,确保了结果向全局最优解收敛。实验证明,PSO-VQ算法在解码图像的PSNR值和主观效果上都优于LBG算法,同时拓展了粒子群优化算法的应用领域。     

基于IABC-LSSVM的瓦斯涌出量预测模型研究

为了更好地对矿井回采工作面瓦斯的涌出量做出准确的预测,提出了将改进的人工蜂群与最小二乘支持向量机(IABC-LSSVM)相耦合的瓦斯涌出量预测方法.首先,在人工蜂群(ABC)算法中引入混沌序列来确定更优的初始蜜源,并结合自适应因子更新搜索步长,从而避免陷入局部最优的情况;然后,利用改进后的人工蜂群算法对最小二乘机的核宽...     

基于免疫猫群优化算法的矢量量化的码书设计及语音识别

在矢量量化的码书设计过程中,针对传统的LBG算法对初始码书选取的依赖性及易陷入局部最优的缺陷,提出基于免疫猫群优化算法的矢量量化码书设计.将整个种群分为搜索组和跟踪组,运用克隆扩增算子在搜寻组中进行局部搜索,根据适应度值大小调节变异个体数目,保持解的多样性.运用动态疫苗提取与接种算子使跟踪组个体基因与疫苗进行交叉变异,向最优解靠拢,防止无监督交叉变异可能引起的退化现象.通过浓度平衡算子和选择算子更新子代种群,防止种群"早熟".将训练出全局最优码书输入到HMM模型进行训练和识别,实验结果表明,基于免疫猫群优化算法的矢量量化码书设计不依赖于初始码书选取,鲁棒性强且降低语音识别误差率.     

改进的基于主分量分析的码书设计算法

针对基于主分量分析和遗传算法的码书设计算法中当码书大小超过64时码书性能下降的问题,提出了一种改进的码书设计算法．首先采用主分量分析对训练矢量降维以减少计算复杂度,然后利用遗传算法的全局优化能力计算得到接近全局最优的码书．实验结果表明,与原算法和经典的LBG算法相比,文中算法所生成的码书性能有了明显提高,而且计算时间也少于LBG算法．     

一种高效的基于模拟退火的LBG算法

针对传统矢量量化码书设计LBG算法对初始码书敏感和在迭代过程中容易陷入局部极小的缺陷，结合模拟退火算法，提出了一种基于模拟退火的LBG改进算法，并给出了退火过程中的扰动因子刘画、扰动策略选取、稳定性判据确定和温度下降策略等细节．模拟实验结果表明，本文所提出的改进算法能够有效地回避对初始码书的敏感，同时在搜索性能和图像压缩后还原质量上都得到很好的改善．     

DHMM在机械设备音频识别中的应用

为了对现场机械或设备进行监控、诊断和识别,以音频为监控手段,引入矢量量化（VQ）算法并建立机械设备音频的离散隐Markov模型（DHMM）。特征参数采用MFCC,码书设计采用Linde-Buzo-Gray（LBG）算法;推导出Baum-Welch算法参数重估的多观察序列的最简标定形式;分析了多种HMM类型,提出了适合机械设备音频的HMM。实验在22种音频中进行,识别准确率在97%以上,证明了方法的有效性。     

一种快速、有效的LBG初始码书生成算法

针对LBG算法依赖初始码书的问题,以贪婪树增长算法与码书间距最大化算法为基础,提出了一种新的LBG初始码书生成算法。该算法用贪婪树增长算法生成基础码书,再采用码书间距最大化算法从基础码书中生成初始码书。该算法相对于常用的分裂法降低了计算复杂度,节约了运算时间。与两种基本算法相比,它降低了量化的失真度与平均谱包络失真。     

自适应Tent混沌搜索的人工蜂群算法

为了有效改善人工蜂群算法(artificial bee colony algorithm,ABC)的性能,结合Tent混沌优化算法,提出自适应Tent混沌搜索的人工蜂群算法.该算法使用Tent混沌以改善ABC的收敛性能,避免陷入局部最优解,首先应用Tent映射初始化种群,使得初始个体尽可能均匀分布,其次自适应调整混沌搜索空间,并以迄今为止搜索到的最优解产生Tent混沌序列,从而获得最优解.通过对6个复杂高维的基准函数寻优测试,仿真结果表明,该算法不仅加快了收敛速度,提高了寻优精度,与其他最近改进人工蜂群算法相比,其性能整体较优,尤其适合复杂的高维函数寻优.     

说话人识别中随机局部搜索算法的研究

目前在矢量量化的码本训练中经典的聚类方法是LBG算法,但该算法的主要缺陷是对初始码书的依赖性较大,容易过早地陷入局部极小.本文在基于矢量量化的说话人识别中研究了一种随机局部搜索的聚类算法.该算法不依赖初始条件,结构规则,容易实现,效果好,具有很优越的全局优化搜索能力,在语音参数聚类实验中表现出了很好的性能,得到的码书质量也优于经典的LBG-算法,从而为在基于矢量量化的说话人识别中设计准全局最优码书提供了一种新思路.     

Image vector quantization algorithm via honey bee mating optimization

The vector quantization (VQ) was a powerful technique in the applications of digital image compression. The traditionally widely used method such as the Linde–Buzo–Gray (LBG) algorithm always generated local optimal codebook. Recently, particle swarm optimization (PSO) is adapted to obtain the near-global optimal codebook of vector quantization. An alternative method, called the quantum particle swarm optimization (QPSO) had been developed to improve the results of original PSO algorithm. In this paper, we applied a new swarm algorithm, honey bee mating optimization, to construct the codebook of vector quantization. The results were compared with the other three methods that are LBG, PSO–LBG and QPSO–LBG algorithms. Experimental results showed that the proposed HBMO–LBG algorithm is more reliable and the reconstructed images get higher quality than those generated from the other three methods.     

矢量量化的初始码书算法

矢量量化的初始码书设计是很重要的,影响或决定着其后码书形成算法的迭代次数和最终的码书质量。针对原有的初始码书算法在性能上随机性强与信源匹配程度不高的问题,提出一种对于训练矢量实施基于分量的和值排序,然后做分离平均的初始码书形成算法。算法使用了矢量的特征量,脱离了对于图像结构因数的依赖,能产生鲁棒性较好的初始码书。实验证明了该方法的有效性,与LBG算法结合可进一步提高码书质量。     

模糊聚类与LBG级联的VQ算法

针对LBG算法初始码本随机选取后易出现空胞腔、易陷入局部极小、迭代次数大等缺陷,本文依据模糊聚类理论引入了矢量量化码本设计训练的模糊聚类与LBG级联算法:先用模糊聚类算法训练码本,将训练得到的码本作为传统LBG算法的初始码本,再用传统LBG算法训练.论述了模糊聚类和LBG联合算法的原理与方法;用该算法分剐训练了语音线性...     

采用遗传算法的文本无关说话人识别

为解决在说话人识别方法的矢量量化(Vector Quantization,VQ)系统中,K-均值法的码本设计很容易陷入局部最优,而且初始码本的选取对最佳码本设计影响很大的问题,将遗传算法(Genetic Algorithm,GA)与基于非参数模型的VQ相结合,得到1种VQ码本设计的GA-K算法.该算法利用GA的全局优化能力得到最优的VQ码本,避免LBG算法极易收敛于局部最优点的问题;通过GA自身参数,结合K-均值法收敛速度快的优点,搜索出训练矢量空间中全局最优的码本.实验结果表明,GA-K算法优于LBG算法,可以很好地协调收敛性和识别率之间的关系.     

基于遗传算法的VQ码本设计及语音识别

在矢量量化（VQ）的码本设计过程中,经典的LBG算法收敛速度快,但极易陷入局部最优,且初始码本的生成对最佳码本的设计影响很大。考虑到遗传算法（GA）是一种具有全局优化搜索能力的算法,提出了GA和LBG算法相结合的GA-L算法来优化码本,改善了码本质量,并将其应用于汉语连续数字语音识别中,实验结果表明了GA-L算法的有效性。     

一种基于VQ的有限非特定人汉语短语识别方法

研究了基于VQ的有限非特定人汉语语音命令的识别方法，识别对象是有限的特定人群(如5到6人)、有限汉语短语。该文采用MFCC作为识别特征，利用改进的LBG算法训VQ码本，为了提高识别率和拒识率，提出了采用倒谱距离法的有效语音端点检测方法以及实用的拒识方法。实验结果证明，系统在具有背景噪声的一般办公环境下由有限人训练后，当训练的说话人与识别系统的距离在0.5m的范围内时，测试识别率达到99％以上，未训练说话人的拒识率达82％。     

Comparison of the impact of some Minkowski metrics on VQ/GMM based speaker recognition

This paper evaluates the impact of three special forms of the Minkowski metric (Euclidean, City Block, and Chebychev distances) on the performance of the conventional vector quantization (VQ) and Gaussian mixture model (GMM) based closed-set text-independent speaker recognition systems, in terms of recognition rate and confidence on decisions. For the VQ based system, evaluations are carried out using the two most common clustering algorithms, LBG and K-means, and it is revealed which clustering algorithm and distance pair should be used to exploit the best attribute of both to achieve the best recognition rate for a given codebook size. In the case of GMM based system, we introduce the metrics into the GMM using a concatenation of the LBG and K-means algorithms in estimating the initial mean vectors, to which the system performance is sensitive, and explore their impact on system performance. We also make comparison of results obtained from evaluations on clean speech (TIMIT) and telephone speech databases (NTIMIT and NIST2001) with the modern classifiers VQ-UBM and GMM-UBM. It is found that there are cases where conventional VQ based system outperforms the modern systems. Moreover, the impact of distance metrics on the performance of the conventional and modern systems depends on the recognition task imposed (verification/identification).     

说话人识别中采用混合免疫算法的VQ码本设计

矢量量化(VQ)方法是文本无关说话人识别中广泛应用的建模方法之一,它的主要问题是码本设计问题。语音特征参数是高维数据,样本分布复杂,因此码本设计的难度也很大,传统的LBG算法只能获得局部最优的码本。提出一种VQ码本设计的新方法,将小生境技术与K-均值算法融入到免疫算法训练过程中,形成混合免疫算法,采用针对高维数据聚类的改进变异算子,降低了随机变异的盲目性,增强群体的全局及局部搜索能力,同时通过接种疫苗提高算法的收敛速度。说话人识别实验表明,与传统LBG和基于混合遗传算法的VQ码本设计方法相比,该方法可以得到更优的模型参数,使得系统的识别率进一步提高。     

The LBG-U Method for Vector Quantization – an Improvement over LBG Inspired from Neural Networks

A new vector quantization method (LBG-U) closely related to a particular class of neural network models (growing self-organizing networks) is presented. LBG-U consists mainly of repeated runs of the well-known LBG algorithm. Each time LBG converges, however, a novel measure of utility is assigned to each codebook vector. Thereafter, the vector with minimum utility is moved to a new location, LBG is run on the resulting modified codebook until convergence, another vector is moved, and so on. Since a strictly monotonous improvement of the LBG-generated codebooks is enforced, it can be proved that LBG-U terminates in a finite number of steps. Experiments with artificial data demonstrate significant improvements in terms of RMSE over LBG combined with only modestly higher computational costs.