[发明专利]一种双层PID优化的BP神经网络语音识别方法

说明书

本发明涉及一种双层PID优化的BP神经网络语音识别方法，将FPGA作为语音信号输入方法的平台，使用PID算法对权阈值以及学习速率进行调整，双层PID算法中的K_P，K_I和K_D三参数都根据系统和训练结果的误差E_g(k)进行自动调整，使隐藏层与输出层权阈值收敛更稳定，减轻系统的数据波动；外层PID算法使学习速率的更新与神经网络训练过程同步，在神经网络训练前期提供一个较大的更新强度使神经网络快速迭代，在神经网络训练后期降低更新强度防止数据偏离正确值，使学习速率既能在前期提供较大更新强度，帮助系统快速更新，又能在后期减小更新强度，防止数据偏离正确值，语音识别正确率更高。

技术领域:

本发明涉及一种人工智能算法，特别是双层PID优化的BP神经网络语音识别器

背景技术:

语音识别作为人工智能领域重要应用方向，已经有诸多学者对其进行研究，比如深度学习下的语音识别，支持向量机下的语音识别方法等。在学习算法方面，BP算法一直以很强的非线性映射以及其简单结构而出名，其在语音识别背景上的应用也由来已久，但是它也存在一些缺陷，比如权值阈值和学习速率在网络初始化时无法确定，设置过大则会使收敛波动大，设置较小则收敛速度较慢。现有的权值阈值更新公式几乎都依赖负梯度算法，虽然负梯度算法在一定程度上加速了权值阈值的收敛，但是带来的数值波动太大，又在一定程度上影响到了权值阈值正常收敛。同时对于学习速率的更新，基本都是在不断实验中人为调节设置，现有的变学习速率算法，只是简单地线性地减小学习速率，在算法进行到后期时降低学习速率的影响，避免因过大的更新力度造成波动使输出偏离正确结果，但其在算法的正确率上并没有起到什么效果，使用一般的BP神经网络结构识别音乐数据会出现类似音乐识别正确率低的情况。

CN103639211A公开了一种BP神经网络和PID参数优化的辊缝控制方法及系统，提出了一种使用神经网络优化PID结构的方法，其方法使PID参数更加稳定，使其算法更加稳定。

CN110488600A公开了一种LQR优化型无刷直流电机调速神经网络PID控制器，提出了一种使用LQR算法优化神经网络调节PID的算法，使其对直流电机控制更加稳定。

CN104834215A公开了一种变异粒子群优化的BP神经网络PID控制算法，提出了一种用变异粒子群算法优化BP神经网络PID控制算法，此方法使PID算法输出更加稳定。

发明内容:

本发明的目的是针对上述现有技术的不足，提供一种双层PID优化的BP神经网络语音识别方法。

发明思想：将载有该语音识别功能的FPGA作为语音信号输入方法的平台。双层PID分为内外两层，内层PID算法减轻负梯度算法带来的数据波动，使权值阈值更新过程收敛平缓，减小收敛时产生的震荡；同时，外层PID算法使学习速率的更新与神经网络训练过程同步，在神经网络训练前期提供一个较大的更新强度使神经网络快速迭代，在神经网络训练后期降低更新强度防止数据偏离正确值，语音识别正确率更高。

本发明的目的是通过以下技术方案实现的：

首先，搭建三层BP神经网络，分别为输入层、隐藏层和输出层。随机生成输出层和隐藏层之间的加权系数W_ij(k)和W_jg(k)，以及两层间激活函数参数a_j(k)和b_g(k)，选取学习率η(k),并令k＝1；

其次，FPGA平台对需要识别的语音进行语音数据提取，并使用BP神经网络对提取后的数据X_i(k)进行分析，计算BP神经网络输出层的输出O_g(k),同时根据期望输出Y_g(k)计算误差E_g(k)，使用误差E_g(k)与PID算法中的比例参数K_P，积分参数K_I，微分参数K_D对η(k)进行调节；