基于ANN與SVM的病態(tài)嗓音識別研究.pdf

1、隨著社會不斷進步、經(jīng)濟發(fā)展以及隨之而來的生活改善和節(jié)奏加速，人們的語言交流活動日益頻繁，常見嗓音疾病的發(fā)生率呈明顯上升趨勢。在嗓音醫(yī)學這門新興的?？漆t(yī)學領域中，基于嗓音聲學評估方法并利用信號處理手段去識別病態(tài)嗓音的研究已逐漸成為一個多學科交叉領域的前沿熱點。 病態(tài)嗓音識別包括嗓音信號特征提取和嗓音樣本分類識別兩部分。本文分別利用人工神經(jīng)網(wǎng)絡(ArtificialNeuralNetwork，ANN)和支持向量機(SupportVe

2、ctorMachine，SVM)分類器，使用了美國麻省眼耳科醫(yī)院(MassachusettsEyeandEarInfirmary)語音嗓音實驗室公開數(shù)據(jù)庫中177例混合型常見病嗓音樣本和39例正常嗓音樣本數(shù)據(jù)，進行了模式分類識別算法研究。本文分別設計了兩種分類器的算法實驗，分析了其嗓音樣本分類識別的可行性。ANN算法實驗中，針對隱含層數(shù)、隱含層節(jié)點數(shù)以及訓練函數(shù)類型等網(wǎng)絡結構參數(shù)的選取，進行了討論和分析；SVM算法實驗中，針對核函數(shù)的類

3、型選擇及其參數(shù)的優(yōu)化，也做了相應的討論和分析；最后比較了兩種分類器受樣本的影響程度和識別率的穩(wěn)定性。 本文研究結果表明，ANN和SVM兩種分類器均適用于病態(tài)嗓音樣本的模式分類，并都能獲得較高的正確識別率。但ANN的網(wǎng)絡模型設計和結構參數(shù)選取往往需要較多的訓練與實踐經(jīng)驗才得以達到最優(yōu)效果；另外與SVM相比，ANN對訓練樣本更為敏感且穩(wěn)定性略差(方差0.02)；因此，ANN主要適用于信號離線處理研究。而本文通過網(wǎng)格枚舉法得到SVM訓