文采用 i 层结构神经网络。如图 2 所示：输入层各节 点将输入信号经权重藕合到隐层的每个节点． 隐层各节点对来自前一层的信号加权， 经激发 函数转换后再藕合到输出层。 x1 x2 xn 图 2 含有一个隐层的神经网络 o1 o2 oi 4．基于遗传神经网络的语音识别 本文研究引用遗传算法对网络的初始连接权值进行优化处理， BP 算法完成给定精度 用 的学习。

4．1 个体编码方案 编码对于网络进化过程的性能和效率影响很大。因此．编码技术是连接权值进化过程中 学解决的首要问题和关键步骤。本文中考虑到 BP 网络的节点数和结构已经固定，可以采用 实数编码方案，将网络的权值和各节点的阀值依此排列得到一个向量。 假设一个具有 m 个节点的 n 层 BP 网络，如果第 i 个节点对应的权值分别为v i (v i [-l， +l])，则一个个体用实数向量表示为 X=[v 1 ,v 2 , v m ]。 4．2 适应度函数的选择 一个网络连接权值优劣的标准，是根据网络对一组输入得到的实际输出与期望输出之间 的误差大小来制定的。BP 网络中误差平分和小，则表示该网络性能比较好。本文中适应度 函数为： 其中，E 为神经网络的输出误差，即 [7] f(x ) = 1 1+E (4) E = ? ? (y k ? y k )2 ∑ n k =1 其中 n 为学习样本总数， y k , y k 为第 k 个个体的期望输出和实际输出向量。 ∧ 1 N ∧ (5) 4．3 进化参数 连接权的进化过程中所涉及到的主要进化参数有：种群规模、交叉率、变异率和进化代 数等等。交叉是最主要的进化操作，交叉率是指各代中交叉产生的后代数与种群规模之比。 常用的交叉率取值范围为 0．6—1．0。变异率是指种群中变异的基因数占总基因数的比例， 其值控制了新基因引入的比例。常用变异率的数量级范围为 0.1—0．00l。种群规模是连接 权进化过程首先需要确定的参数。是算法会否陷入局部解的主要影响因素。综合考虑 BP 网 络的初始连接权值和交叉率、变异率的选择，这里选择种群规模为 50。 5．仿真实验结果 仿真实验为针对非特定人的孤立数字词语音识别。语音数据由二男二女(O 到 9 共 10 个 数字的普通话发音)通过 PC 话筒输入，每个音每人发 20 遍。共计 1000 次发音，其中以每人 每个音的前 1O 次作训练样本，后 1O 次作测试样本，录音环境为安静实验室，采样频率为 11．025kHz。 经过反复实验。 小断改善实验环境． 基于演化神经网络的识别得到了相对较高的识别率。 对实验结果分析可知，结合了 GA 算法的 BP 网络通过 GA 全局搜索得到一个权值最优解，只 迭代 151 次便使得误差值为 O.00000l， 而普通 BP 算法要迭代 517 次才能勉强达到期望误差， [8] 由此可知。结合了 GA 算法的 BP 网络避免了局部极小，减低了学习速率，提高了收敛速度。 表 1 基于遗传神经网络和 BP 网络语音识别系统对比表 训练代数 普通 BP 神经网络 遗传神经网络 517 151 平均识别率 84.2% 87.8% 最高识别率 96.0% 96.0% 通过表 l 对比可知， 基于演化神经网络识别算法的语音识别系统无论是在训练时的收敛 速度还是在最后的识别率上，都要优于普通的 BP 网络语音识别系统。 6．结论 语音信号处理和神经网络均是目前研究的热点，文章主要针对语音识别的特点，结合人 工智能领域两种比较有效的方法——BP 网络和 GA 算法，构建了一种基丁遗传神经网络的语 音识别算法。仿真实验结果表明：该算法避免了传统 BP 算法容易陷入局部极小的缺点，减 低了训练时间，有效的提高了系统识别率。 参考文献 【1】K.H.Davis，R.Biddulph，and S.Balashek．Automatic Recognition of Spoken Digits【M】 ．Acoust．Soc．Am． 952，24(6)：637—642. ，1 【2】胡航．语音信号处理(第一版)【M】 ．哈尔滨：哈尔滨工业大学出版社，2000． 【3】赵力．语音信号处理【M】 ．北京：机械工业出版社，2003． 【4】蔡莲红，黄德智，蔡锐．现代语音技术基础于应用【M】 ．北京：清华大学出版社，2003． 【5】孙宁，孙劲光，孙宁．基于神经网络的语音识别技术研究【J】 ．计算机与数字工程， 2005，34(3)：58—61． 【6】夏克文，李吕彪，沈钧毅．前向神经网络隐含层节点数的最优算法

【J】 ．计算机科学， 2005，32(10)：143—145． 【7】王万良.人工智能及其应用（第二版） 【M】北京：高等教育出版社，2008. 【8】Lippman R P. Review of Neural Network for Speech Recognition【J】 ．Neural Computation，1989，l(1)：l—38．