淺談機器的學(xué)習方法
篇一：機器學(xué)習的方法
【摘 要】本文以什么是機器學(xué)習、機器學(xué)習的發(fā)展歷史和機器學(xué)習的主要策略這一線(xiàn)索，對機器學(xué)習進(jìn)行系統性的描述。接著(zhù)，著(zhù)重介紹了流形學(xué)習、李群機器學(xué)習和核機器學(xué)習三種新型的機器學(xué)習方法，為更好的研究機器學(xué)習提供了新的思路。
【關(guān)鍵詞】機器學(xué)習；人工智能；李群機器學(xué)習；核機器學(xué)習；流形學(xué)習
計算機視覺(jué)是指用計算機實(shí)現人的視覺(jué)功能，希望能根據感知到的圖像( 視頻) 對實(shí)際的目標和場(chǎng)景內容做出有意義的判斷如何能正確識別目標和行為非常關(guān)鍵，其中一個(gè)最基本的和最核心的問(wèn)題是對圖像的有效表達 如果所選的表達特征能夠有效地反映目標和行為的本質(zhì)，那么對于理解圖像就會(huì )取得事半功倍的效果 正因為如此，關(guān)于機器學(xué)習的發(fā)展歷史 特征的構建和選取一直得到廣泛關(guān)注 近些年來(lái)人們已構建出許多特征，并且得到了廣泛的應用，例如等等 設計特征是一種利用人類(lèi)的智慧和先驗知識，并且將這些知識應用到目標和行為識別技術(shù)中的很好的方式 但是，如果能通過(guò)無(wú)監督的方式讓機器自動(dòng)地從樣本中學(xué)習到表征這些樣本的更加本質(zhì)的特征則會(huì )使得人們更好地用計算機來(lái)實(shí)現人的視覺(jué)功能，因此也是近些年人們關(guān)注的一個(gè)熱點(diǎn)方向 深度學(xué)習( deeplearning) 的目的就是通過(guò)逐層的構建一個(gè)多層的網(wǎng)絡(luò )來(lái)使得機器能自動(dòng)地學(xué)習到反映隱含在數據內部的關(guān)系，從而使得學(xué)習到的特征更具有推廣性和表達力本文旨在向讀者介紹深度學(xué)習的原理及它在目標和行為識別中的最新動(dòng)態(tài)，希望吸引更多的研究者進(jìn)行討論，并在這一新興的具有潛力的視覺(jué)領(lǐng)域做出更好的成果 首先對深度學(xué)習的動(dòng)機歷史以及應用進(jìn)行了概括說(shuō)明; 主要介紹了基于限制玻爾 茲曼機的深度學(xué)習架構和基于自編碼器的深度學(xué)習架構，以及深度學(xué)習
近些年的進(jìn)展，主要討論了去噪自編碼器( denoisingautoencoder)，卷積限制玻爾茲曼機，三元因子玻爾茲曼機( 3-way factorizedBoltzmannmachine)，以及神經(jīng)自回歸分布估計器( NADE) 等一些新的深度學(xué)習單元; 對目前深度學(xué)習在計算機視覺(jué)中的一些應用以及取得的成果進(jìn) 行介紹; 最后，對深度學(xué)習與神經(jīng)網(wǎng)絡(luò )的關(guān)系，深度學(xué)習的本質(zhì)等問(wèn)題加以討論，提出目前深度學(xué)習理論方面需要解決的主要問(wèn)題
1機器學(xué)習的發(fā)展歷程
機器學(xué)習的發(fā)展大致可以分為四個(gè)階段.
第一階段：20世紀50年代中葉至60年代中葉這個(gè)時(shí)期是機器學(xué)習研究的熱烈時(shí)代 研究對象是沒(méi)有知識的學(xué)習，目標是各自組織和適應系統此階段有兩個(gè)代表，一是1957年Rosenblatt提出了感知機算法，這是第一個(gè)具有重要學(xué)術(shù)意義的機器學(xué)習的算法 二是50年代末，Samuel編寫(xiě)了跳棋程序，利用啟發(fā)式搜索技術(shù)，可以從經(jīng)驗和棋譜中進(jìn)行學(xué)習，不斷調整棋盤(pán)評價(jià)函數，提高棋藝.
第二階段：20世紀60年代中葉至70年代中葉，機器學(xué)習的冷靜時(shí)期本階段是模擬人類(lèi)的學(xué)習過(guò)程，采用邏輯結構或圖結構作為內部描述 代表有：1969年Minsky與Papert出版的對機器學(xué)習研究有深遠影響的著(zhù)作<感知機>一書(shū).
第三階段：20世紀70年代中葉至80年代中葉，稱(chēng)為復興時(shí)期在這個(gè)時(shí)期，人們從學(xué)習單一概念延伸至學(xué)習的多個(gè)概念，探索不同的學(xué)習策略和各種學(xué)習方法在此階段中，研究
者已經(jīng)將機器學(xué)習系統與現實(shí)應用相結合，完成相應的學(xué)習過(guò)程，取得了很大的成功1980年，在美國召開(kāi)的第一屆機器學(xué)習國際研討會(huì )，標志著(zhù)機器學(xué)習在全世界范圍內的全面興起.
第四階段：1986年至今 由于作為機器學(xué)習科學(xué)基礎之一的神經(jīng)科學(xué)研究的重新興起，機器學(xué)習也進(jìn)一步受到了人們的重視另一方面，對實(shí)驗研究和應用研究得到前所未有的重視.
2.1 機械學(xué)習
機械學(xué)習是一種最基本的學(xué)習策略，把環(huán)境提供的信息簡(jiǎn)單存儲起來(lái)，不經(jīng)過(guò)任何推理，“死記硬背”式的學(xué)習。適合于一些環(huán)境相對穩定，輸入輸出模式相對固定的系統中，例如醫生給病人看病。
2.2 傳授學(xué)習
傳授學(xué)習又叫做指導式學(xué)習或示教學(xué)習。傳授學(xué)習的學(xué)習過(guò)程可以簡(jiǎn)單地描述如下：（1）請求：先向指導者請求提出建議；（2）解釋?zhuān)航邮芙ㄗh并將其轉化為內部表示形式；（3）操作化：將解釋后的建議轉化為具體的知識；（4）歸并：將得到的新知識歸并到知識庫中；（5）評價(jià)：對新知識進(jìn)行評價(jià)，常用方法有，檢查新知識與知識庫里的知識是否矛盾，或者使 用新知識執行某些任務(wù)，觀(guān)察其執行情況。
2.3 演繹學(xué)習
演繹學(xué)習以演繹推理為基礎。演繹推理是一種有一般到個(gè)別的推理方法，其核心是三段論。例如，1動(dòng)物都會(huì )死亡；2狗是一種動(dòng)物；3狗會(huì )死亡。只要對給定的知識進(jìn)行演繹的保真推理，就能得出一個(gè)正確的新結論，然后把有價(jià)值的結論存儲起來(lái)。
2.4 歸納學(xué)習
歸納學(xué)習以歸納推理為基礎。從某個(gè)概念的一系列正例和反例中歸納出一個(gè)一般的概念描述。歸納學(xué)習可分為有導師學(xué)習和無(wú)導師學(xué)習。有導師學(xué)習，又稱(chēng)示例學(xué)習。給學(xué)習系統提供正例和反例，學(xué)習系統通過(guò)歸納算法求解出一個(gè)總的概念描述。無(wú)導師學(xué)習，又稱(chēng)觀(guān)察與發(fā)現學(xué)習。通過(guò)由環(huán)境提供的觀(guān)察來(lái)進(jìn)行學(xué)習，而且這些觀(guān)察是未經(jīng)過(guò)知道者分類(lèi)的例子。
2.5 類(lèi)比學(xué)習
類(lèi)比學(xué)習是一種利用相似性來(lái)認識新事物的學(xué)習方式，其基礎是類(lèi)比推理�？梢钥醋魇茄堇[學(xué)習和歸納學(xué)習的組合學(xué)習形式。
學(xué)習過(guò)程：
�。�1）聯(lián)想搜索匹配：提取特征值，搜索和它相似的已知事物；
�。�2）檢驗相似程度：判斷相似程度，相似程度達到一定閾
值，則說(shuō)明匹配成功；
�。�3）修正變換求解：即類(lèi)比映射，把對已知事物的有關(guān)知
識進(jìn)行適當的調整或變換，以求出新事物的解；
�。�4）更新知識庫：求出新事物的解以后，將新事物及其解
并入知識庫。
3 機器學(xué)習方法
3.1 流形學(xué)習
現實(shí)世界中的數據，例如語(yǔ)音信號、數字圖像或功能性磁共振圖像等，通常都是高維數據，為了正確地了解這些數據，我們就需要對其進(jìn)行降維，降維的目的就是要找出隱藏在高維數據中的低維結構。流形學(xué)習是一種新的數據降維方法，能揭示數據的內在變化規律，其目標是發(fā)現嵌入在高維數據空間中的低維流形結構，并給出一個(gè)有效的低維表示。2000年以來(lái)，流形學(xué)習在包括數據挖掘、機器學(xué)習、計算機視覺(jué)等多個(gè)研究領(lǐng)域得到了廣泛的應用。
3.2 李群機器學(xué)習
李群機器學(xué)習（Lie Group Machine Learning，LML）作為機器學(xué)習領(lǐng)域的一種新的學(xué)習方法，一方面繼承流形學(xué)習的優(yōu)點(diǎn)，另一方面借用李群的思想，形成了具有創(chuàng )新特色的學(xué)習范式．自2004年提出至今，已引起加拿大、愛(ài)爾蘭、芬蘭、意大利、美國等國內外同行的廣泛關(guān)注。李群結構是目前學(xué)術(shù)界公認的對學(xué)習問(wèn)題研究很有用的一套理論工具。從數據分析的角度來(lái)說(shuō)，用機器學(xué)習進(jìn)行數據分析（數據挖掘），其目的就是揭示這些數據具有的規律，從而幫助用戶(hù)提供解釋的依據。李群一方面具有好的數學(xué)結構，另一方面物理學(xué)家廣泛使用李群方法來(lái)處理物理學(xué)中復雜數據的啟發(fā)。因此，引進(jìn)李群理論對機器學(xué)習是一種可以探索的新思路。
3.3 核機器學(xué)習
20世紀90年代初隨著(zhù)統計學(xué)習理論的完善和線(xiàn)性超平面函數集容量控制方法的發(fā)現，提出了著(zhù)名的支撐矢量機方法（SVMs）。隨后，以支撐矢量機為核心算法的核機器（KM）方法和Fisher判斷分析（FDA）方法得到了機器學(xué)習、模式識別、網(wǎng)絡(luò )搜索引擎技術(shù)、計算機視覺(jué)等等領(lǐng)域的廣泛關(guān)注。核機器方法以統計學(xué)習理論為基礎，巧妙利用了Mercer核技巧，使其獲得了良好的推廣能力、強大的非線(xiàn)性處理能力、靈活的相似性測度定義和簡(jiǎn)潔的模型表示，是目前在特征提取、模式識別、數據發(fā)掘領(lǐng)域公認的具有最佳性能的方法之一。
4.1基于限制玻爾茲曼機的深度學(xué)習架構
玻爾茲曼機( Boltzmannmachine)本質(zhì)上是一種能量模型 能量模型是指對于參數空間( configurationspace) 中每一種情況均有一個(gè)標量形式的能量與之對應 能量函數就是從參數空間到能量的映射函數，人們希望通過(guò)學(xué)習使得能量函數有符合要求的性質(zhì) 從結構上來(lái)說(shuō)，玻爾茲曼機是雙層無(wú)向全連通圖，如圖3所示 為了方便起見(jiàn)，這里僅討論觀(guān)測變量和隱變量均是0 1變量的情況
玻爾茲曼機的能量函數為E( x，h) =－b'x－c'h－h(huán)'Wx－x'Ux－h(huán)'Vh ( 1)式中，x表示可見(jiàn)層，h表示隱層，b {0，1}K，c{0，1}D分別表示可見(jiàn)層和隱層單元的偏置( offset) ， KD分別表示可見(jiàn)層和隱層單元的數目 WUV分別表示觀(guān)測層和隱層之間，觀(guān)測層變量之間，隱層變量之間的連接權重矩陣在實(shí)際中，由于計算樣本概率密度時(shí)歸一化因子的存在，需要使用馬爾可夫蒙特卡洛方法( MCMC)來(lái)對玻爾茲曼機進(jìn)行優(yōu)化 但是MCMC方法收斂速度很慢，因此人們提出限制玻爾茲曼機和對比散度方法來(lái)解決這一問(wèn)題.
4.2限制玻爾茲曼機
限制玻爾茲曼機是對全連通的玻爾茲曼機進(jìn)行簡(jiǎn)化，其限制條件是在給定可見(jiàn)層或者隱層中的其中一層后，另一層的單元彼此獨立，即式( 1) 中U和V矩陣中的元素均等于0 層間單元獨立的條件是構成高效的訓練限制玻爾茲曼機的方法的條件之 一，而ＲBM也因此成為深度置信網(wǎng)絡(luò )( DBN)的構成單元 限制玻爾茲曼機的圖模型如圖4所示 可見(jiàn)，層內單元之間沒(méi)有連接關(guān)系，層間單元是全連接關(guān)系
將式( 1) 中層間連接矩陣U，V置零，得到限制玻爾茲曼機的能量函數E( x，h) =－b'x－c'h－h(huán)'Wx 由于限制玻爾茲曼機取消了層內單元之間的連接，所以可以將其條件概率分布進(jìn)行分解，這樣就簡(jiǎn)化了模型優(yōu)化過(guò)程中的運算 但是在其優(yōu)化過(guò)程中仍然需要基于MCMC方法的吉布斯采樣，訓練過(guò)程仍然十分漫長(cháng)，因此人們提出對比散度方法來(lái)加快模型優(yōu)化. 對比散度( contrastivedivergence) 是Hinton在2006年提出來(lái)的快速地訓練限制玻爾茲曼機的方法，該方法在實(shí)踐中得到廣泛的應用 對比散度主要是將對數似然函數梯度的求解進(jìn)行了兩個(gè)近似:
(1) 使用從條件分布中得到的樣本來(lái)近似替代計算梯度時(shí)的平均求和這是因為在進(jìn)行隨機梯度下降法進(jìn)行參數優(yōu)化時(shí)已經(jīng)有平均的效果，而如果每次計算都進(jìn)行均值求和則這些效果會(huì )相互抵消，而且會(huì )造成很大的計算時(shí)間的浪費
(2) 在進(jìn)行吉布斯采樣( Gibbs sampling) 時(shí)只采用一步，即僅僅進(jìn)行一次吉布斯采樣這種一次吉布斯采樣方法會(huì )使得采樣得到的樣本分布與真實(shí)分布存在一定的誤差 但是實(shí)踐發(fā)現，如果僅作一次迭代的話(huà)，就已經(jīng)能得到令人滿(mǎn)意的結果將限制玻爾茲曼機逐層疊加，就構成了深度置信網(wǎng)絡(luò )( DBN) 在深度置信網(wǎng)絡(luò )中底層的輸出作為上一層的輸入，每層是一個(gè)限制
玻爾茲曼機，使用對比散度的方法單獨訓練 為了達到更好的識別效果，往往還要對深度置信網(wǎng)絡(luò )每層的參數進(jìn)行微調使用限制玻爾茲曼機構建成深度網(wǎng)絡(luò )，在一些公開(kāi)的數據集上取得了非常好的效果.
5機器學(xué)習系統的模型及其特征
5.1 機器學(xué)習系統的模型
�。�1） 外部環(huán)境是以某種形式表達的信息或知識的集合，是知識和信息的來(lái)源，執行的對象和任務(wù) 外部環(huán)境像系統提高信息的質(zhì)量是影響學(xué)習系統設計的首要因素。（2）學(xué)習是將外部環(huán)境提供的信息，加工成為有效信息的過(guò)程，它也是學(xué)習系統的核心，包括采集信息接受監督指導學(xué)習推理修改知識庫等其他功能。（3）知識庫是影響學(xué)習系統設計的第二大因素，根據知識的不同，選擇不同的表達方式，兼顧表達能力強易于推理易于修改知識庫和知識表示易于擴展等幾方面，均是知識庫在表達上需要符合的要求。（4）執行是利用知識庫完成某種任務(wù)，并進(jìn)行識別論證決策判定，將獲得的信息進(jìn)行反饋，以修正和完善下一步的學(xué)習。
5.2 機器學(xué)習系統的重要特征
機器學(xué)習系統通常具有如下重要特征：（1）目的性系統知道學(xué)習什么，學(xué)習的行為具有高度的目的性。（2）結構性系統能修改和完善知識結構和組織形式。（3）有效性系統學(xué)習到的知識具有適應和符合實(shí)踐的能力，能夠對系統性能的改善起到正面的作用。（4）開(kāi)放性系統在與環(huán)境進(jìn)行信息交互的過(guò)程中，能使自身不斷進(jìn)化。
6.機器學(xué)習策略
對于環(huán)境提供信息，機器要運用一定的學(xué)習策略轉換為知識，并存儲在知識庫中，為下一步的執行作保證根據策略使用推理的多少和難易程度，學(xué)習策略可以分為四類(lèi)： 1機械學(xué)習
這種學(xué)習策略，無(wú)需任何推理過(guò)程或計算轉換過(guò)程，可以直接將環(huán)境提供的信息進(jìn)行存儲該學(xué)習系統主要考慮三個(gè)方面：第一：存儲組織的形式利于檢索在采用機械學(xué)習的系統中，主要采用的是索引存儲的方式，在這種情況下，只有檢索一個(gè)項目比重新分析計算更加快捷，這種學(xué)習策略才具有一定的意義 采用適當的存儲組織形式，最大限度地提高檢索效率，縮短檢索時(shí)間，是機械學(xué)習要解決的重大問(wèn)題第二：環(huán)境穩定存儲信息適用性高因為系統不需要對信息做過(guò)多的加工，學(xué)習部分沒(méi)有推理的過(guò)程，這對于環(huán)境的依賴(lài)程度就大大提高要求環(huán)境具有高度的穩定性系統的學(xué)習是通過(guò)事先編好的程序獲得，是建立在這次獲得的知識適用于下次的情況的假設上的，如果環(huán)境變化的過(guò)于頻繁，每次存的知識都不能適用，這種策略也就失去其意義第三：權衡存儲和計算之間的關(guān)系學(xué)習的目的是改進(jìn)系統的效率，如果檢索比重新計算來(lái)的慢，那么就降低了系統的執行力 機械學(xué)習也就失去了意義。
2歸納學(xué)習
歸納推理是由環(huán)境提供足夠多的實(shí)例或反例，應用歸納的方法，得出一般性的規律或對于概念的一般性的描述這是一個(gè)從個(gè)別到一般的過(guò)程歸納學(xué)習可以獲得新的概念，創(chuàng )立新的規則，發(fā)現新的理論 其原理是在大量觀(guān)察的基礎上通過(guò)假設形成一個(gè)科學(xué)理論 按其有無(wú)教師的指導，可以分為示例學(xué)習及觀(guān)察與發(fā)現學(xué)習示例學(xué)習，又稱(chēng)為概念獲取 確定概念的一
篇二：機器學(xué)習方法及應用研究
摘要：本文介紹了機器博弈技術(shù)，給出了提升計算機的智能程度是研究機器博弈技術(shù)的重點(diǎn)。設計了五子棋游戲算法，由于算法設計決定了計算機的智能程度，該算法沒(méi)有用到機器學(xué)習，計算機不具有智能。分析了卡斯帕羅夫和“深藍”的不同特點(diǎn)，給出了“深藍”戰勝世界冠軍的啟示，只有利用機器學(xué)習技術(shù)開(kāi)發(fā)的具備學(xué)習能力的計算機才具有智能。
關(guān)鍵詞：機器博弈，機器學(xué)習，智能0、引言
很早人類(lèi)就有制造機器人的幻想，例如黃帝的“指南車(chē)”，諸葛亮的“木牛流馬”�！度龂萘x》中諸葛亮發(fā)明的運輸工具稱(chēng)為“木牛流馬”，解決了川山山區軍糧運輸的難題。根據文獻，諸葛亮最具有實(shí)物性質(zhì)的智慧結晶就是“木牛流馬”。
機器博弈既可以是計算機與計算機之間的博弈，也可以是計算機與人類(lèi)之間的博弈。諸如戰爭、競技、下棋、打牌等一類(lèi)競爭性智能活動(dòng)稱(chēng)為博弈[1]。 1、“深藍”戰勝世界冠軍
1997年5月，美國IBM公司的“深藍”超級計算機首次擊敗國際象棋男子世界冠軍卡斯帕羅夫。表1給出了卡斯帕羅夫和“深藍”具有的不同特點(diǎn)。
學(xué)習是人類(lèi)獲取知識的重要途徑和自然智能的重要標志，機器學(xué)習則是機器獲取知識的重要途徑和人工智能的重要標志[2]�！吧钏{”之所以能擊敗卡斯帕羅夫，最主
______________________
作者簡(jiǎn)介：馬健喆，男，(1995,11-)，山西太原人，本科，主要研究方向為信息處理。
要的原因是“深藍”具有較強的學(xué)習能力和推理能力。
表1卡斯帕羅夫和“深藍”的不同特點(diǎn)
學(xué)習過(guò)程與推理過(guò)程密切相關(guān)。按照學(xué)習中使用推理的多少，機器學(xué)習所采用的策略總體上可以分為機械學(xué)習、示教學(xué)習、示例學(xué)習和類(lèi)比學(xué)習。學(xué)習中所用的推理越多，系統的能力越強[3,4]。 2、五子棋游戲的設計
設計五子棋游戲，實(shí)現簡(jiǎn)單的五子棋游戲；插入一個(gè)下載的棋盤(pán)圖片作為自己的棋盤(pán)；插入一段音樂(lè )實(shí)現背景音樂(lè )的播放；當有輸贏(yíng)出現時(shí)彈出一個(gè)顯示戰況的對話(huà)框；在菜單欄上添加一個(gè)戰況的標題，當單擊時(shí)彈出顯示當時(shí)戰況的對話(huà)框。
五子棋棋局與圍棋相同，棋子分為黑、白兩種顏色，棋盤(pán)為19?19，在棋盤(pán)線(xiàn)交叉點(diǎn)上放置棋子。計算機與人對局，各執一種顏色的棋子，輪流下一子，先將橫、豎或斜線(xiàn)的5個(gè)或5個(gè)以上同色棋子連成不間斷的一排者為勝�，F代五子棋棋盤(pán)已標準化為15?15的方格棋盤(pán)。
本文采用MFC對話(huà)框構建五子棋棋盤(pán)，直接截取五子棋棋盤(pán)圖片作為對話(huà)框背景；采用MFC按鈕控件作為五子棋游戲“悔棋”、“音樂(lè )”、“戰況”、“重新開(kāi)始”的選項按鍵；實(shí)現五子棋人機對戰，人通過(guò)鼠標點(diǎn)擊下子；設計五子棋游戲算法實(shí)現計算機的下子點(diǎn)的選擇。
圖1給出了五子棋游戲算法的程序流程圖，具體步驟如下：
圖1五子棋游戲算法的程序流程圖
�。�1）對局雙方各執一種顏色的棋子；
（2）空棋盤(pán)開(kāi)局；
�。�3）玩家（黑方）首先落子，接著(zhù)計算機（白方）作出決策，落子，交替下子，每次只能下一子；
�。�4）棋子下在棋盤(pán)的空白點(diǎn)上，棋子下定后，不得向其它點(diǎn)移動(dòng)，不得從棋盤(pán)上拿掉或拿起另落別處；
�。�5）黑方的第一枚棋子可下在棋盤(pán)任意交叉點(diǎn)上；
�。�6）輪流下子是雙方的權利；
�。�7）連五取勝。在對弈過(guò)程中若某一方出現“成五”（“五連”和“多連”的總稱(chēng)），則判定為勝。若棋盤(pán)下滿(mǎn)還沒(méi)有勝方，則為平局。
該五子棋游戲算法沒(méi)有用到機器學(xué)習，計算機不具有智能。圖2、圖3分別給出了利用MFC實(shí)現五子棋游戲程序的運行結果。本文設計實(shí)現的五子棋游戲可以根據個(gè)人愛(ài)好設計界面，人機交互方便、簡(jiǎn)單。
圖2 五子棋游戲程序的運行結果
圖3 五子棋游戲程序的運行結果
算法設計決定了計算機的智能程度，可用于五子棋計算的算法包括博弈樹(shù)、負極大值算法、???算法、置換表技術(shù)、哈希表技術(shù)、歷史啟發(fā)等。怎樣綜合使用各種算法，提升計算機的智能程度是研究機器博弈技術(shù)的重點(diǎn)。 3、結論
機器學(xué)習是計算機獲取智能的途徑，本文設計了五子棋游戲算法，實(shí)現了五子棋游戲。下一步工作將機器學(xué)習方法引入到五子棋游戲的設計，提高計算機的學(xué)習能力和推理能力。
篇三：基于機器學(xué)習的文本分類(lèi)方法
基于機器學(xué)習算法的文本分類(lèi)方法綜述
摘要：文本分類(lèi)是機器學(xué)習領(lǐng)域新的研究熱點(diǎn)�；跈C器學(xué)習算法的文本分類(lèi)方法比傳統的文本分類(lèi)方法優(yōu)勢明顯。本文綜述了現有的基于機器學(xué)習的文本分類(lèi)方法，討論了各種方法的優(yōu)缺點(diǎn)，并指出了文本分類(lèi)方法未來(lái)可能的發(fā)展趨勢。
1. 引言
隨著(zhù)計算機技術(shù)、數據庫技術(shù)，網(wǎng)絡(luò )技術(shù)的飛速發(fā)展，Internet的廣泛應用，信息交換越來(lái)越方便，各個(gè)領(lǐng)域都不斷產(chǎn)生海量數據，使得互聯(lián)網(wǎng)數據及資源呈現海量特征，尤其是海量的文本數據。如何利用海量數據挖掘出有用的信息和知識，方便人們的查閱和應用，已經(jīng)成為一個(gè)日趨重要的問(wèn)題。因此，基于文本內容的信息檢索和數據挖掘逐漸成為備受關(guān)注的領(lǐng)域。文本分類(lèi)(text categorization，TC)技術(shù)是信息檢索和文本挖掘的重要基礎技術(shù)，其作用是根據文本的某些特征，在預先給定的類(lèi)別標記(label)集合下，根據文本內容判定它的類(lèi)別。傳統的文本分類(lèi)模式是基于知識工程和專(zhuān)家系統的，在靈活性和分類(lèi)效果上都有很大的缺陷。例如卡內基集團為路透社開(kāi)發(fā)的Construe專(zhuān)家系統就是采用知識工程方法構造的一個(gè)著(zhù)名的文本分類(lèi)系統，但該系統的開(kāi)發(fā)工作量達到了10個(gè)人年，當需要進(jìn)行信息更新時(shí)，維護非常困難。因此，知識工程方法已不適用于日益復雜的海量數據文本分類(lèi)系統需求
[1]。20世紀90年代以來(lái)，機器學(xué)習的分類(lèi)算法有了日新月異的發(fā)展，很多分類(lèi)器模型逐步被應用到文本分類(lèi)之中，比如支持向量機(SVM，Support Vector Machine)[2-4]、最近鄰法(Nearest Neighbor)[5]、決策樹(shù)(Decision tree)[6]、樸素貝葉斯(Naive Bayes)[7]等。逐漸成熟的基于機器學(xué)習的文本分類(lèi)方法，更注重分類(lèi)器的模型自動(dòng)挖掘和生成及動(dòng)態(tài)優(yōu)化能力，在分類(lèi)效果和靈活性上都比之前基于知識工程和專(zhuān)家系統的文本分類(lèi)模式有所突破，取得了很好的分類(lèi)效果。
本文主要綜述基于機器學(xué)習算法的文本分類(lèi)方法。首先對文本分類(lèi)問(wèn)題進(jìn)行概述，闡述文本分類(lèi)的一般流程以及文本表述、特征選擇方面的方法，然后具體研究基于及其學(xué)習的文本分類(lèi)的典型方法，最后指出該領(lǐng)域的研究發(fā)展趨勢。
2．文本自動(dòng)分類(lèi)概述
文本自動(dòng)分類(lèi)可簡(jiǎn)單定義為：給定分類(lèi)體系后，根據文本內容自動(dòng)確定文本關(guān)聯(lián)的類(lèi)別。從數學(xué)角度來(lái)看，文本分類(lèi)是一個(gè)映射過(guò)程，該映射可以是一一映射，也可以是一對多映射過(guò)程。文本分類(lèi)的映射規則是，系統根據已知類(lèi)別中若干樣本的數據信息總結出分類(lèi)的規律性，建立類(lèi)別判別公式或判別規則。當遇到新文本時(shí)，根據總結出的類(lèi)別判別規則確定文本所屬的類(lèi)別。也就是說(shuō)自動(dòng)文本分類(lèi)通過(guò)監督學(xué)習自動(dòng)構建出分類(lèi)器，從而實(shí)現對新的給定文本的自動(dòng)歸類(lèi)。文本自動(dòng)分類(lèi)一般包括文本表達、特征選取、分類(lèi)器的選擇與訓練、分類(lèi)等幾個(gè)步驟，其中文本表達和特征選取是文本分類(lèi)的基礎技術(shù)，而分類(lèi)器的選擇與訓練則是文本自動(dòng)分類(lèi)技術(shù)的重點(diǎn)，基于機器學(xué)習的文本分來(lái)就是通過(guò)將機器學(xué)習領(lǐng)域的分類(lèi)算法用于文本分類(lèi)中來(lái)[8]。圖1是文本自動(dòng)分類(lèi)的一般流程。
2.1 文本表述
至今，計算機還不能像人類(lèi)那樣閱讀完文章之后，根據自身的理解能力對文章的內容產(chǎn)生一定的認識。要使計算機能夠高效率、高性能地處理自然文本，就需要有一個(gè)文本表示的過(guò)程，文本表示是將非結構化的文本文檔表示為機器易于處理的形式的過(guò)程。文本表示通常包括文本預處理和文本模型表示等步驟，其中文本預處理為建立文本表示模型做必要的準備工作。具體的文本標識方法有很多種模型，如布爾模型、布爾模型性、向量空間模型等。詞包(Bag of Words)表示法是目前文本分類(lèi)的標準模式。把文本看成是段落的集合，或者是句子的集合，也可以看成是單或字母的集合，而單詞是組成文本的一個(gè)基本單位，研究者通常把一個(gè)文本當作是一系列單詞的集合來(lái)表示，即所謂的詞包表示法，它通過(guò)特征處理和統計學(xué)習算法的基礎上獲得對文本語(yǔ)義內容及類(lèi)別信息的估計與預測。實(shí)際應用中空間向量模型(vector Space Modal, VSM)是常見(jiàn)的文本表示模型。在這種表示方式中，每篇文檔表示成形如d=的向量，其中ti表示詞條項，wi表示ti在文檔d中的權值。如圖
2所示是向量空間模型。向量空間模型已經(jīng)在信息檢索、文本分類(lèi)等應用中取得了成功。除VSM外，還有基于概率分布、基于二維視圖等模型。這些非VSM的表示方法需要通過(guò)理論以及應用實(shí)踐上的進(jìn)一步驗證。
2.2 特征提取
特征提取是在初始全特征集基礎上提取出一個(gè)特征子集的過(guò)程，能夠起到降低向量空間維數、簡(jiǎn)化計算、防止過(guò)擬合作用。首先根據特征提取算法對特征的重要性進(jìn)行評估，然后進(jìn)行重要度排序，最后根據提取閾值或提取比率完成提取。提取后的特征集將用于之后的訓練和分類(lèi)過(guò)程。常用特征提取算法有文檔頻數(Document Frequency)、信息增益(information Gain)、期望交叉熵(expected cross entropy)、互信息(Mutual Information)、χ2統計等。
3．基于機器學(xué)習的文本分類(lèi)方法
3.1 基于樸素貝葉斯法的文本分類(lèi)
樸素貝葉斯方法是最早用于文本分類(lèi)的分類(lèi)器算法，是一種統計學(xué)分類(lèi)方法，它基于貝葉斯決策論并且基于此項獨立的假設，幾不同屬性對分類(lèi)結果的影響是獨立的。假設d為待分類(lèi)文檔的表示向量，它屬于文檔類(lèi)別集合C={c1,c2,c3,…,cn}中某一類(lèi)。根據貝葉斯公式有：
n
P d = P cj P(d|cj)
j=1
P cj|d =P cj P(d|cj)P(d)…,n
其中P cj 表示類(lèi)別cj在樣本集中的比重，P(d|cj)由概率密度函數計算得出。分類(lèi)時(shí)，P cj|d 值最大情況對應的類(lèi)別cmax為待分類(lèi)文檔類(lèi)別�；谏鲜黾僭O的概率分類(lèi)器一般稱(chēng)為貝葉斯分類(lèi)器。貝葉斯分類(lèi)器容易理解，計算簡(jiǎn)單而且比較實(shí)用，其分類(lèi)效果基本能滿(mǎn)足要求，但其關(guān)于詞項獨立性的假設受到了質(zhì)疑。
3.2 基于決策樹(shù)法的文本分類(lèi)
決策樹(shù)學(xué)習是應用最廣泛的歸納推理算法之一，它是一種逼近離散值函數的方法，對噪聲數據有很好的健壯性且能夠學(xué)習析取表達式。決策樹(shù)著(zhù)眼于從一組無(wú)次序無(wú)規則的事例中推理出決策樹(shù)表示形式的分類(lèi)規則，它通過(guò)把實(shí)例從根結點(diǎn)排序到某個(gè)葉子結點(diǎn)來(lái)分類(lèi)實(shí)例，葉子結點(diǎn)即為實(shí)例所屬的分類(lèi)。在構造分類(lèi)模型時(shí)，樹(shù)上的每個(gè)結點(diǎn)指定了對實(shí)例屬性集測試后選擇出的屬性，并且該結點(diǎn)的每一個(gè)后繼分支對應于該屬性的一個(gè)可能值。分類(lèi)實(shí)例的時(shí)候，就是從樹(shù)的結點(diǎn)開(kāi)始，測試這個(gè)結點(diǎn)指定的屬性，然后按照給定實(shí)例的該屬性值對應的樹(shù)枝向下移動(dòng)，之后在新的'結點(diǎn)上重復這個(gè)過(guò)程直到葉子結點(diǎn)，即獲得分類(lèi)。
一般來(lái)說(shuō)，決策樹(shù)算法主要圍繞兩大核心問(wèn)題展開(kāi)：第一，決策樹(shù)的生長(cháng)問(wèn)題，即利用訓練樣本集，完成決策樹(shù)的建立過(guò)程；第二，決策樹(shù)的剪枝問(wèn)題，即利用檢驗樣本集對形成的決策樹(shù)進(jìn)行優(yōu)化處理。決策樹(shù)的構建是一種自上而下、分而治之的歸納過(guò)程，本質(zhì)是貪心算法。各種算法建樹(shù)的基本過(guò)程相似，是一個(gè)遞歸的過(guò)程。
設數據樣本集為S，算法框架如下：
(1) 如果數據樣本集S中所有樣本都屬于同一類(lèi)或者滿(mǎn)足其他終止準則，則S不再劃分，
形成葉節點(diǎn)：
(2) 否則，根據某種策略選擇一個(gè)屬性，按照屬性的各個(gè)取值，對S進(jìn)行劃分，得到n個(gè)子樣本集，記為Si，再對每個(gè)Si迭代執行步驟(1)。
經(jīng)過(guò)n次遞歸，最后生成決策樹(shù)。從根到葉節點(diǎn)的一條路徑對應著(zhù)一條規則，整棵決策樹(shù)就對應著(zhù)一組析取表達式規則。為了防止決策樹(shù)和訓練樣本集的過(guò)度擬合，特別是存在噪聲數據或不規范屬性時(shí)更為突出，需要對決策樹(shù)進(jìn)行剪枝。剪枝的算法通常利用統計方法決定是否將一個(gè)分支變?yōu)橐粋�(gè)節點(diǎn)。通常采用兩種方法進(jìn)行決策樹(shù)的剪枝，即在決策樹(shù)生長(cháng)過(guò)程完成前就進(jìn)行剪枝的事前修剪法和在決策樹(shù)生長(cháng)過(guò)程完成后才進(jìn)行剪枝的事后修剪法。
決策樹(shù)分類(lèi)算法自提出以來(lái)，出現了很多種，早期的是CLS學(xué)習算法和CART算法，最有影響的是1986年Quinlan提出的ID3算法。ID3算法體現了決策樹(shù)分類(lèi)的優(yōu)點(diǎn)：算法的理論清晰、方法簡(jiǎn)單，學(xué)習能力較強。缺點(diǎn)是：只對比較小的數據集有效，且對噪聲比較敏感。在ID3算法的基礎上，Quinlan又發(fā)展了具有重要影響的C4.5算法，它繼承并改進(jìn)了ID3算法，使用非常廣泛。為了適應處理大規模數據集的需要，后來(lái)學(xué)者又提出了若干改進(jìn)的算法，取得了較好的效果。決策樹(shù)文本分類(lèi)法分類(lèi)精度較好，并且可以很好的抵抗噪聲，但缺點(diǎn)是在處理大規模數據集的情況下效率不高。
3.3 基于K最近鄰法的文本分類(lèi)
K最近鄰算法(k Nearest Neighbor, KNN)分類(lèi)算法是傳統的基于統計的模式識別方法，在文本分類(lèi)領(lǐng)域使用較多。其算法思想是對于一篇待分類(lèi)文檔，在訓練集中找到K個(gè)最相近的鄰居。取這K個(gè)鄰居的類(lèi)別為該文檔的候選類(lèi)別，該文檔與K個(gè)鄰居之間的相似度為候選類(lèi)別的權重，然后使用設定的相似度閾值就可以得到該文檔的最終分類(lèi)。KNN算法也是基于向量空間模型的分類(lèi)算法之一，最初由Cover和Hart于1968年提出，是一個(gè)理論上比較成熟的方法。采用kNN方法進(jìn)行文檔分類(lèi)可以定義為：對于給定的文檔集D，把D中所有的文本內容形式化為特征空間中的加權特征向量D，其中向量D表示為D=。對于某一給定的測試文檔d，通過(guò)計算它與每個(gè)訓練文檔的相似度，找出k個(gè)最相似的文檔。在此基礎上，給每個(gè)文檔類(lèi)別加權打分，根據加權距離和判斷測試文本所屬的類(lèi)別。根據上述表述，可以把KNN文本分類(lèi)法歸結為以下步驟：
�、� 根據各種規則將文本內容變換成文本特征向量。
�、� 根據相似度公式計算測試文本與每個(gè)訓練文本的相似度，計算公式如下：
Sim di,dj =2m2 mk=1Wik k=1Wjk mW×W
其中，m是特征向量維數，K表示近鄰個(gè)數，其具體數值的確定目前還沒(méi)有很好的方法，一般采用先定一個(gè)初始值，然后通過(guò)實(shí)驗測試調整K值，一般初始值定為幾百到幾千之間，但是要小于訓練文檔總數。
�、� 從(2)的結果中選出k個(gè)相似度最大的訓練集文檔，計算分類(lèi)權重，計算公式為：
P d,ci = Sim d,dj y dj,ci ?bi
dj?kNN
其中d表示文本特征向量，y dj,ci ? 0,1 ，即如果文檔屬于該類(lèi)別值為l，反之為0。bi為閾值，對于某一特定類(lèi)來(lái)說(shuō)，bi是一個(gè)有待優(yōu)化選擇的值，可以通過(guò)一個(gè)驗證文檔集來(lái)進(jìn)行調整。
KNN算法足向量空間模型下最好的分類(lèi)算法之一，優(yōu)點(diǎn)是易于快速實(shí)現，在基于統計
的模式識別中非常有效，有較好的分類(lèi)準確性和穩定性，尤其對于未知和非正態(tài)分布可以取得較高的分類(lèi)準確率。KNN可以較好地避免樣本的不平衡問(wèn)題，對于類(lèi)域的交叉或重疊較多的待分樣本集和樣本容量較大的類(lèi)域的分類(lèi)較為適合，并且，它對訓練數據中的噪聲有很好的健壯性，當給定足夠大的訓練集合時(shí)也非常有效�？傮w來(lái)說(shuō)KNN優(yōu)于貝葉斯、決策樹(shù)。然而作為一種懶散的學(xué)習算法，它也存在一些限制：一是空間開(kāi)銷(xiāo)大。因為要事先存儲全部訓練樣例，當訓練樣例增大時(shí)存儲空間也隨之增大。二是計算相似度時(shí)，實(shí)例間的距離是根據實(shí)例的所有屬性來(lái)計算的，這與那些只選擇全部實(shí)例屬性的一個(gè)子集的方法不同，例如決策樹(shù)。有些屬性與分類(lèi)相關(guān)性不大或無(wú)關(guān)時(shí)，可能會(huì )誤導近鄰算法的分類(lèi)，近鄰間的距離會(huì )被大量的不相關(guān)屬性所支配。這種由于存在很多不相關(guān)屬性所導致的難題，有時(shí)被稱(chēng)為唯度災難[9]。最近鄰方法對這個(gè)問(wèn)題特別敏感。解決的方法一般有兩種，一是在計算兩個(gè)實(shí)例間的距離時(shí)對每個(gè)屬性加權，二是從實(shí)例空間中完全消除最不相關(guān)的屬性。
3.4 基于中心向量法的文本分類(lèi)
還有一類(lèi)分類(lèi)速度較快的基于向量空間模型的文本分類(lèi)算法是基于中心向量的分類(lèi)法，又稱(chēng)為Rocchio算法[10]。中心向量法最初用于信息檢索，現在已經(jīng)被廣泛應用于文本分類(lèi)。中心向量法的基本思想是通過(guò)對訓練集進(jìn)行訓練得到每一個(gè)已知類(lèi)別的中心，稱(chēng)之為類(lèi)中心向量，分類(lèi)過(guò)程中將待分類(lèi)文檔與已知的類(lèi)中心向量進(jìn)行相似度比較，判定規則為相似度最大的類(lèi)中心向量所代表的類(lèi)別為待分類(lèi)文檔的類(lèi)別。假設令C= Ci mi=1表示訓練集包含的m個(gè)類(lèi)，則基于中心向量的文本分類(lèi)過(guò)程為：
�、� 對每一個(gè)類(lèi)Ci，計算該類(lèi)中所有文檔向量的算術(shù)平均作為該類(lèi)的類(lèi)中心向量V Ci ； ⑵ 對于一個(gè)待分類(lèi)文檔d，計算d與所有類(lèi)中心向量V Ci 的相似度Sim d,V Ci 并且返回相似度最大的類(lèi)別最為結果。這里相似度的計算同3.3中步驟(2)的相似度激素那方法相同。中心向量法適合于訓練集中各類(lèi)別大小相對均衡，且同類(lèi)別文檔分布稠密的情況，此時(shí)分類(lèi)效果較好，但當訓練集中各類(lèi)別間大小不均衡且同類(lèi)別文檔分布稀疏時(shí)，分類(lèi)效果較差。
3.5 基于支持向量機的文本分類(lèi)
支持向量機(Support Vector Machines, SVM)是由Vapnik與其領(lǐng)導的貝爾實(shí)驗室研究小組在1995年據統計學(xué)理論提出的一種用于解決二分類(lèi)模式識別問(wèn)題的學(xué)習方法。Joachims是最早將SVM方法用于文本分類(lèi)中的，并且取得非常理想的分類(lèi)效果。SVM方法將文本分類(lèi)問(wèn)題變成了一系列二分類(lèi)問(wèn)題。SVM算法是建立在統計學(xué)習理論的VC維理論和結構風(fēng)險最小原理基礎上的，它將降維和分類(lèi)結合在一起，根據有限的樣本信息在模型的復雜性和學(xué)習能力之間尋求最佳折衷，這里模型的復雜性代表對特定訓練樣本的學(xué)習精度，而學(xué)習能力代表無(wú)錯誤的識別任意樣本的能力。支持向量機算法的目的在于尋找一個(gè)超平面H，該超平面可以將訓練集中的數據分開(kāi)，且與類(lèi)別邊界的沿垂直于該超平面方向的距離最大，故SVM法也被稱(chēng)為最大邊緣算法。樣本集中的大部分樣本不是支持向量，移去或者減少這些樣本對分類(lèi)結果沒(méi)有影響，這樣只用各類(lèi)別邊界樣本的類(lèi)別來(lái)決定分類(lèi)結果的做法，具有較強的適應能力和較高的準確率。
總結起來(lái)，SVM算法的分類(lèi)思想是從訓練樣本中尋找能夠確定一個(gè)最優(yōu)超平面的支持向量。假設有大小為m的訓練樣本集 x1,y1 , x2,y2 ,… xn,yn ，如果它是一個(gè)二分類(lèi)任務(wù)，則分類(lèi)標識為yi=±1 (i=1,2,3,…,m)，那么任務(wù)的決策函數可用下式表示：
f x =sin w?x+b
篇四：機器學(xué)習理論與方法
機器學(xué)習理論與方法 實(shí)驗報告
實(shí)驗項目：基于Hopfield Network 模型的數字識別 實(shí)驗者： 彭江軍 學(xué)號： 2011114093 專(zhuān)業(yè)： 信息與計算科學(xué) 指導教師： 張瑞
一：程序前期準備與思路
(1) 先對圖中給的8個(gè)已知的pattern圖像數字化成矩陣，對于待處理的圖像也處理為矩陣，導入excel表。
(2) 由權重的計算公式，編寫(xiě)程序得到權重矩陣。
(3) 選擇相應的激活函數，這里我們選擇bi-polar binary 函數。不斷更新，使其能量不斷下降，最終趨于穩定。
二：程序代碼
1.得到權重的程序
% 讀取數據
A=xlsread('0.xls',1);
B=xlsread('1.xls',1);
C=xlsread('2.xls',1);
D=xlsread('3.xls',1);
E=xlsread('4.xls',1);
F=xlsread('6.xls',1);
G=xlsread('u.xls',1);
H=xlsread('9.xls',1);
% 將矩陣依次處理為向量，以便求
法用for來(lái)做
A1=A(1,:);
for i=2:12
A1=vpa([A1 A(i,:)]);
end
B1=B(1,:);
for i=2:12
B1=vpa([B1 B(i,:)]);
end
C1=C(1,:);
for i=2:12
C1=vpa([C1 C(i,:)]);
end
D1=D(1,:);
for i=2:12
D1=vpa([D1 D(i,:)]);
end
E1=E(1,:);
for i=2:12
E1=vpa([E1 E(i,:)]);
end
F1=F(1,:);
for i=2:12
F1=vpa([F1 F(i,:)]); weight，由于是A,B等編號，故這一步無(wú)
end
G1=G(1,:);
for i=2:12
G1=vpa([G1 G(i,:)]);
end
H1=H(1,:);
for i=2:12
H1=vpa([H1 H(i,:)]);
end
% 求weight公式
I=eye(120);
W=(A1'*A1+B1'*B1+C1'*C1+D1'*D1+E1'*E1+F1'*F1+G1'*G1+H1'*H1)/120-8/120*I;
W=double(W);
xlswrite('w.xls',W)
2.更新程序
編寫(xiě)腳本文件
function HPML(x0,weight,n)
%% x0為需要識別的數字矩陣
% weight 為經(jīng)過(guò)學(xué)習得到的權重
% n為需要迭代的次數
O=weight*x0;
[r,c]=size(O);
% 迭代更新矩陣
for k=1:n-1
for i=1:r
for j=1:c
if(O(i,j)>=0)
O(i,j)=1;
else
O(i,j)=-1;
end
end
end
O=weight*O;
end
% 對于跳出循環(huán)的矩陣規范化
for i=1:r
for j=1:c
if(O(i,j)>=0)
O(i,j)=1;
else
O(i,j)=-1;
end
end
end
%將生成的向量以行序為主轉化為矩陣，因為reshape函數以列序為主，故未采用
M=zeros(12,10);
for i=1:12
M(i,:)=O(10*(i-1)+1:10*i);
end
imshow(M,[-1,1])
title(strcat('iteration times:',num2str(n)));
3.調用函數
x0=xlsread('i.xls',1)；
weight=xlsread('w.xls',1);
X=zeros(12,10);
for i=1:12
X(i,:)=x0(10*(i-1)+1:10*i);
end
subplot(1,3,1);
imshow(X,[-1,1]);
title('previous image');
n=1;
subplot(1,3,2);
HPML(x0,weight,n)
subplot(1,3,3);
n=2;
HPML(x0,weight,n)
三：程序結果
篇五：基于機器學(xué)習的數字音頻分類(lèi)方法研究
基于機器學(xué)習的數字音頻分類(lèi)方法研究
摘要：
讓計算機能聽(tīng)懂人類(lèi)的語(yǔ)言，是人類(lèi)自計算機誕生以來(lái)夢(mèng)寐以求的想法。隨著(zhù)經(jīng)濟的發(fā)展，人們越來(lái)越迫切要求擺脫鍵盤(pán)的束縛而代之以語(yǔ)音輸入這樣便于使用的、自然的、人性化的輸入方式。這就使語(yǔ)音信號分析成為社會(huì )生活中越來(lái)越重要的一部分。其中語(yǔ)音識別是語(yǔ)音信號分析的重要領(lǐng)域，而語(yǔ)音特征信號識別又是語(yǔ)音識別研究領(lǐng)域的一個(gè)重要方面。
語(yǔ)音特征信號識別一般采用模式匹配的方法解。首先通過(guò)預處理提取語(yǔ)音特征，作為該語(yǔ)音片段的模型。將該模型與已知的參考模型相比較，獲得最佳匹配的參考模式作為識別結果，在論文中研究的是基于傳統的BP神經(jīng)網(wǎng)絡(luò )的音頻分類(lèi)與SVM技術(shù)音頻分類(lèi)的仿真實(shí)驗結果進(jìn)行比較，對比兩者各自?xún)?yōu)缺點(diǎn)，從而熟悉這兩種技術(shù)的基本工作原理和算法。通過(guò)實(shí)驗對其性能進(jìn)行了主觀(guān)評價(jià)和客觀(guān)數據分析，對于所選語(yǔ)音信號BP網(wǎng)絡(luò )具有較快的訓練速度，但是SVM技術(shù)具有較高的識別率。BP網(wǎng)絡(luò )的學(xué)習和記憶具有不穩定性。也就是說(shuō)，如果增加了學(xué)習樣本，訓練好的網(wǎng)絡(luò )就需要從頭開(kāi)始訓練，對于以前的權值和閾值是沒(méi)有記憶的。但是可以將預測、分類(lèi)或聚類(lèi)做的比較好的權值保存。
關(guān)鍵詞：語(yǔ)音識別，特征提取，梅爾倒譜系數，BP網(wǎng)絡(luò )，SVM（支持向量機）
Research on digital audio classification base on
machine-learning
Abstract:
Since the birth of the computer people want to let the computer can understand human's language .People are becoming more and more urgent to get rid of keyboard and replace it by voice input that is personalized、convenient and natural to be used .So that Analysis of speech signal become a more and more important part in social life.The speech recognition is an important part of Analysis of speech signal ,and the voice signal recognition is one of the most important aspects of speech recognition .
Speech feature signals recognition use to use pattern matching method.Firstly, through pretreatment of phonetic feature extraction make as the model.The model is compared with known reference model, get the best matches the reference pattern as a result of recognition. In this paper research is based on the traditional BP neural network audio classification and technology of Support vector machine audio classification the experimental results were compared to find each of advantages and disadvantages, so to understand with the two technical basic principle and algorithm. Through the experiments on the performance of the subjective evaluation and objective data analysis, for selected speech signal BP network has faster training speed, but the SVM technology has higher recognition rate. BP network learning and memory have instability. That is to say that if the increase of learning samples, the trained network is needed to start training, for the previous weights and thresholds is no memory. But it can keep these better weight that do well in predict, classification or clustering.
KEY WORDS：Speech recognition feature extraction Mel frequency cepstrum coefficient BP networks SVM ( support vector machine )
目錄
第一章 緒論 ..................................................................................................................................... 4
1.1 語(yǔ)音信號處理發(fā)展前景 .................................................................................................. 4
1.2 語(yǔ)音識別技術(shù)概述 .......................................................................................................... 4
1.2.1 語(yǔ)音識別技術(shù)的發(fā)展歷史回顧 ........................................................................... 5
1.2.2 音頻識別系統的基本原理 ................................................................................... 5
1.2.3 語(yǔ)音識別的意義 ................................................................................................... 6
1.3 項目的主要研究?jì)热?...................................................................................................... 6
1.4本文的主要章節安排 ......................................................................................................... 6
第二章 信號的預處理 ..................................................................................................................... 7
2.1 信號的預加重 .................................................................................................................... 7
2.2音頻信號的加窗分幀 ......................................................................................................... 8
2.3音頻信號的端點(diǎn)檢測 ......................................................................................................... 9
2.3.1 音頻信號的短時(shí)能量分析 ................................................................................... 9
2.3.2 音頻信號的短時(shí)過(guò)零率分析 ............................................................................. 10
2.3.3 基于短時(shí)平均能量和短時(shí)平均過(guò)零率的雙門(mén)限端點(diǎn)檢測 ............................. 11
第三章 音頻信號的特征矢量提取 ............................................................................................... 12
3.1 信號的倒譜分析 ............................................................................................................ 12
3.2 梅爾倒譜參數 ................................................................................................................ 13
第四章 基于BP神經(jīng)網(wǎng)絡(luò )的音頻信號數據分類(lèi) ...................................................................... 18
4.1BP神經(jīng)網(wǎng)絡(luò )概述 .............................................................................................................. 18
4.1.1 BP神經(jīng)網(wǎng)絡(luò ) ............................................................................................................... 18
4.1.2 語(yǔ)音特征信號分類(lèi) ............................................................................................. 19
4.2BP 網(wǎng)絡(luò )的MATLAB實(shí)現 ............................................................................................... 20
4.2.1 歸一化方法及MATLAB實(shí)現 .......................................................................... 20
4.2.2 數據選擇選擇和歸一化 ..................................................................................... 20
4.2.4 仿真結果分析 ..................................................................................................... 21
第五章利用SVM建立分類(lèi)器來(lái)對語(yǔ)音特征信號進(jìn)行分類(lèi)預測 .............................................. 24
5.1svm技術(shù)簡(jiǎn)述 .................................................................................................................... 24
5.1.1 SVM的原理和優(yōu)點(diǎn) .............................................................................................. 24
5.1.2SVM技術(shù)在本案例中的應用 ............................................................................... 25
5.1.3實(shí)驗的仿真結果與分析 ........................................................................................ 25
第六章 總結與展望 ....................................................................................................................... 28
致 謝 .............................................................................................................................................. 29
畢業(yè)設計小結 ................................................................................................................................. 30
參考文獻......................................................................................................................................... 31
附錄 ................................................................................................................................................ 32
附錄1：相關(guān)文獻的翻譯 ...................................................................................................... 32
第一章 緒論
通過(guò)語(yǔ)音傳遞信息是人類(lèi)最重要、最有效、最常用和方便的交換信息的形式。語(yǔ)音是人類(lèi)特有的功能，聲音是人類(lèi)最常用的工具，是相互傳遞信息的最主要的手段。因此，語(yǔ)音信號是人們構成思想溝通和感情交流的途徑。
1.1 語(yǔ)音信號處理發(fā)展前景
讓計算機能聽(tīng)懂人類(lèi)的語(yǔ)言，是人類(lèi)自計算機誕生以來(lái)夢(mèng)寐以求的想法。隨著(zhù)計算機越來(lái)越向便攜化方向發(fā)展，以及計算環(huán)境的日趨復雜化，人們越來(lái)越迫切要求擺脫鍵盤(pán)的束縛而代之以語(yǔ)音輸入這樣便于使用的、自然的、人性化的輸入方式。尤其是漢語(yǔ)，它的漢字輸入一直是計算機應用普及的障礙，因此利用漢語(yǔ)語(yǔ)音進(jìn)行人機交換是一個(gè)極其重要的研究課題。作為高科技應用領(lǐng)域的研究熱點(diǎn)，語(yǔ)音信號處理技術(shù)從理論的研究到產(chǎn)品的開(kāi)發(fā)已經(jīng)走過(guò)了幾十個(gè)春秋平且取得了長(cháng)足的進(jìn)步。它正在直接與辦公、交通、金融、公安、商業(yè)、旅游的行業(yè)的語(yǔ)音咨詢(xún)與管理，工業(yè)生產(chǎn)部門(mén)的語(yǔ)音控制，電話(huà)-電信系統的自動(dòng)撥號、輔助控制與查詢(xún)以及醫療衛生和福利事業(yè)的生活志愿系統等各種實(shí)際應用領(lǐng)域相接軌，并且有望成為下一代操作系統和應用程序的用戶(hù)界面�？梢�(jiàn)，語(yǔ)音信號處理技術(shù)的研究將是一項極具市場(chǎng)價(jià)值和挑戰性的生活。我們今天進(jìn)行這一領(lǐng)域的研究與開(kāi)拓就是要讓語(yǔ)音信號處理技術(shù)走入人們的日常生活當中，并不斷朝向更高目標而努力。
語(yǔ)音信號處理這門(mén)學(xué)科之所以能夠長(cháng)期地、深深地吸引廣大科學(xué)工作者不斷地對其進(jìn)行研究和探討，除了它的實(shí)用性之外，另一個(gè)重要原因是，它始終與當時(shí)信息科學(xué)中最活躍的前沿學(xué)科保持密切的聯(lián)系，并且一起發(fā)展。語(yǔ)音信號處理是以語(yǔ)音語(yǔ)言學(xué)和數字信號處理為基礎而形成的一門(mén)涉及面很廣的綜合性學(xué)科都有著(zhù)非常密切的關(guān)系。對語(yǔ)音信號處理的研究一直是數字信號處理技術(shù)發(fā)展的重要推動(dòng)力量。因為許多的處理的新方法的提出，首先是在語(yǔ)音處理中獲得成功，然后在推廣到其他領(lǐng)域的[2]。
1.2 語(yǔ)音識別技術(shù)概述
語(yǔ)音識別是指機器對人類(lèi)說(shuō)話(huà)的語(yǔ)句或命令進(jìn)行識別和理解并做出相應的反應。它是涉及語(yǔ)言學(xué)、計算機科學(xué)、生理學(xué)等諸多領(lǐng)域的一門(mén)交叉學(xué)科。隨著(zhù)計算機軟硬件和信息技術(shù)的飛速發(fā)展，以語(yǔ)音識別技術(shù)開(kāi)發(fā)出的產(chǎn)品也廣泛地應用于聲控電話(huà)交換、信息網(wǎng)絡(luò )查詢(xún)、醫療服務(wù)、銀行服務(wù)、工業(yè)控制等社會(huì )和人們生活的每個(gè)方面。
1.2.1 語(yǔ)音識別技術(shù)的發(fā)展歷史回顧
對語(yǔ)音識別技術(shù)的研究距今已有半個(gè)多世紀的歷史。1952 年，AT&Tbell 實(shí)驗室的Davis 等人成功研制的Audry 系統標志著(zhù)語(yǔ)音識別研究工作的開(kāi)始。它是世界上第一個(gè)能識別十個(gè)英文數字發(fā)音的實(shí)驗系統。進(jìn)入20 世紀60 年代，計算機的應用推動(dòng)了語(yǔ)音識別的發(fā)展。在這一時(shí)期產(chǎn)生了動(dòng)態(tài)規劃(DP,Dynamic Programming) 和線(xiàn)性預測分析技術(shù)(LP,Linear Prediction)兩大重要理論，較好地解決了語(yǔ)音信號產(chǎn)生模型的問(wèn)題，對語(yǔ)音識別的發(fā)展產(chǎn)生了深遠影響。70 年代，語(yǔ)音識別領(lǐng)域取得了較大的突破。動(dòng)態(tài)時(shí)間歸正技術(shù)(DTW)基本成熟，有效地解決了語(yǔ)音信號特征提取和不等長(cháng)語(yǔ)音匹配問(wèn)題，同時(shí)還提出了矢量量化(VQ)，隱馬爾可夫模型(HMM)理論。80 年代語(yǔ)音識別研究進(jìn)一步走向深入，各種連接詞語(yǔ)音識別算法被開(kāi)發(fā)，并從模板匹配技術(shù)轉向基于統計模型技術(shù)，特別是在實(shí)踐開(kāi)發(fā)中成功應用了HMM 模型和人工神經(jīng)網(wǎng)絡(luò )（ANN）。1988 年Kai-FuLee 等用VQ/HMM 方法實(shí)現了997 個(gè)詞匯的非特定人連續語(yǔ)音識別系統SPHINX，這是世界上第一個(gè)高性能的非特定人、大詞匯量、連續語(yǔ)音識別系統。進(jìn)入90 年代后,語(yǔ)音識別技術(shù)開(kāi)始向市場(chǎng)提供產(chǎn)品。具代表性的是IBM 的Via Voice 和Dragon 公司的Dragon Dictate系統，這些語(yǔ)音識別系統具有說(shuō)話(huà)人自適應能力，新用戶(hù)不需要對全部詞匯進(jìn)行訓練便可在使用中不斷提高識別率。進(jìn)入21 世紀，語(yǔ)音識別的研究重點(diǎn)包括即興口語(yǔ)的識別和理解，自然口語(yǔ)對話(huà)，以及多語(yǔ)種的語(yǔ)音同聲翻譯。而基于語(yǔ)音識別芯片的嵌入式產(chǎn)品也越來(lái)越多， 如Infineon 公司的Unispeech 和Unilite 語(yǔ)音芯片等。我國對語(yǔ)音識別的研究也較早。20 世紀50 年代后期，中科院聲學(xué)所用頻譜分析的方法研究了漢語(yǔ)10 個(gè)元音的語(yǔ)音識別；20 世紀70 年代后期，構建了基于模板匹配的孤立詞語(yǔ)音識別系統；20 世紀80 年代后期，研究了八五期間中科院人機語(yǔ)音對話(huà)研究項目。目前我國語(yǔ)音識別技術(shù)的研究水平已經(jīng)基本上與國際相當。如以中國科學(xué)院自動(dòng)化研究所模式識別國家重點(diǎn)實(shí)驗室為依托的中科模識，其漢語(yǔ)連續語(yǔ)音、非特定人聽(tīng)寫(xiě)機系統的普通話(huà)系統的錯誤率可以控制在10%以?xún)取?/p>
1.2.2 音頻識別系統的基本原理
語(yǔ)音識別屬于模式識別的范疇。根據模式識別的原理，未知語(yǔ)音的模式與己知語(yǔ)音的參考模式逐一進(jìn)行比較，最佳匹配的參考模式被作為識別結果。語(yǔ)音識別系統的工作過(guò)程可以描述如下：待識別語(yǔ)音經(jīng)過(guò)話(huà)筒變換成電信號后加在識別系統的輸入端，首先經(jīng)過(guò)預處理，包括反混疊失真濾波、預加重和端點(diǎn)檢測從而將語(yǔ)音信號的特征被提取出來(lái)。常用的特征包括：短時(shí)平均能量或幅度、短時(shí)平均過(guò)零率、短時(shí)自相關(guān)函數、線(xiàn)性預測系數、倒譜、共振峰等。根據實(shí)際需要選擇語(yǔ)音特征參數，這些特征參數的時(shí)間序列便構成了待識別語(yǔ)音的模式，將其與己經(jīng)存儲在計算機內的參考模式逐一進(jìn)行比較，獲得最佳匹配的參考模式便是識別結果。參考模式是在系統使用前獲得并存儲起來(lái)的，為此，要輸入一系列已知語(yǔ)音信號，提取它們的特征作為參考模式，這一過(guò)程稱(chēng)為訓練過(guò)程。
【淺談機器的學(xué)習方法】相關(guān)文章：
淺談韓語(yǔ)的學(xué)習方法09-12
淺談韓語(yǔ)學(xué)習方法09-10
淺談機器人技術(shù)的創(chuàng )新教育10-16
淺談工業(yè)機器人在物流行業(yè)的應用論文07-28
淺談機器人學(xué)與康復醫學(xué)相結合的康復機構設計10-13
淺談七年級語(yǔ)文閱讀教學(xué)的學(xué)習方法09-18
機器維修的合同范本10-23