提出并分析比较两种记忆形成算法。二次方差法对已获取的食物点作方差计算，快速剔除距其他点较远的噪声点，获得食物分布的期望位置。改进的均值聚类算法针对二次方差法的不足，借鉴数据挖掘理论，对噪声点进行更准确的剔除。根据不同情况选取适合算法，达到聚焦器在人工动物取食记忆实现中的有效性。第11期班晓娟,等:基于认知的人工动物行为记忆研究了7除后计算极轴平均长度为5.875。噪声点分布如图7所示。重复上述操作,最后表中只剩下两个点时,算法结束。结果如样本点极轴长度分布呈若干个较为密集的点公时,二次图10所示方差不能把其中的某一个或某几个点整体找出来,而是剔除图中“-”的个数n表示该点在第n次聚类运算时被选每片点云中的若十点。这样计算出来的极轴平均值就落在集中。⑩D大于样本数量17的点为计算出的两个样本点的中心合之外,产生较大误差。样本集合2说明了这一问题(表2)。点。点之间聚合关系如表4所示表1样本集合1极轴长度表2样本集合2极轴长度表4聚合关系表ID校针长度ID板轴长度ID做轴长度ID轴长度ID点ID最小距麼中心点坐标1.17.815180.9775.3056.32648191.3020.612.282.0901.9655.8481.51845.611.4212.3640.931.712.255166.542.2151.2567892.919212.5103.9852.2551.34182.495.756783.2470.5932.2480.44613.2580.5041.639105.731.548.13点1、7、9、10、12、13为噪声点,剔除之后计算极轴平均值4.6752.9754.0512.62121284.7910.6360.7650.708为4.702,落在两极轴集合之间,误差较大。噪声点分布如图8275.9091.1692.4080957所示5307.613-5.551.054.325noise noses319.09352.2791.318ic61631328.2625.4501.475-0.386结0.051.2632.355聚类层级关系如图11所示。图7嗓声分布图图8样本集合2的噪声点分布图3.2改进的均值聚类算法实验选用的样本点足有三维坐标信息的空间点均值聚类样本点如表3所示。表3均值聚样本点IDX坐标们Y坐标值z芈标们|IDⅹ坐标值Y坐标值z坐标图10聚类算法结果图11聚类层级关系图10.232.151.68101.472.15每层榮犬结果都对应一个距离值,也就是该层两点间的距-1.235.121.64离。对」事先给定的人工鱼感知距离d来说,小」d的层对4.251.23的点就表示在辨识范围d内一个极大的聚类。73.45|140.39本例中当d=2.42时,点4、6、89、10、11、13、14、15被聚合为一美,其他均为噪声点。剔除噪声之后计算聚类中心G7-3.65.216-5.231.(1.032,1.27,-0.155),为所求的食物分布中心位置2.3-3.2样本点空间位置如图9所示4结束语通过对上述两种算法的实验可知,次方差法计算量较小,但适用范围受到一定限制,对于已经呈聚集分布的点降效果很差。改进的均值聚类算法能精确地将各个聚类找出,但计算量很大,其算法复杂度为样本点个数的平方。动物感知的结果是反馈给自身的印象,通过认知形成的记忆就更加模糊。作为较低等人工动物的人工鱼来说,其感知范围较小,感知精度较低,这使得感知聚焦的结果只能形成一个大概的印象。要作出分精确的反应,如左前方45距离1m图9样本瓜空间位萱冇食物,即使是作为高等动物的人,不借助其他仪器也是很难计算样本点之间的最小距离为0.977,对应两点为6和办到的。所以,虚拟环境中的人工鱼只要感知到同围环境的人15。将两点暂吋从表中赃除,计算出两点的中点,令ID=18,致状况就可以淸足需要,这就使二次方差法以及改进的值聚插入表中重新计算样本点间距离。每找出距离最小的两点,就类算法在行为记忆形成中的应用成为可能。(下转第102页)102计算机应用研究第24卷表2不同训练数据集下流杈仉化方法的比较吮证明,在小数据量训练集的条件下,这种方法是优于仅仅基于音/视须双椟语音识别优化方法言城单模音识别似然比最人化准则的优化方法的。并且,在不同的信嗓比条件4.82卜,利用这种新的优化方法,可以人人提高语音识别系统的认本文的方法93.9091.61别率。今后,将进一步测试这种新方法在大诃汇量连续语音识其中:LRM是某于似然比最大化的流权值优化方法。别这一类更复杂的任务中的有效性。第二个实验是为了验让本文提出的新优化方法在各种不参考文献同噪声坏境下的鲁棒性。实验采用第组的优化数据集,即[11刘鹏,王作英多模式汉语连续语音识别中视觉特征的提取和应②,并且把原始数据加1不同的高斯噪声,形成了不同信噪比用[].中文信息学报,2004,18(4):79-84的新数据。它们的信噪比分别是05、10、1520B。在不同的[2]谢磊,付中华,蒋冬梅,等一种稳健的基于 Visemic LDA的口形信噪比下,山本文提出的流权值伉化方法进行优化,对优化后动态特征及听视觉语音识别[]].电子与信息学报,200527(1):的系统识别率进行比较。同样地,为了便于比较,把音频单模语音识別系统的识別率作为一个标准。实验结果如图1所示。[3] CHENTH. Audiovisual speech processing[ J]. EEE Signal Processing Magazine, 2001, 18 ( 1): 9-21100单模语音识別[4 NETI C POTAMIANOS G, LUETTIN ], e al. Audio-visual speech双模语音识別80recognition, Final Workshop report[R].[S I.]: Center for Lan-guage and speech Processi ng, 2000.[5 MIYAJIMA Cr TOKUDA K, KIAMURA T. Audio-visual speechrecognition using MCE-based HMMs and mode -dependent streamH40weights[ C]// Proc of ICSLP2000. 2000: 1023-1026[6 NAKAMURA S, IO H, SHIKANO K. Stream weigt optimization ofspeech and lip image sequance for adio-visual speech recognition1015clean[C]// Proc of icslp2000.2000:20-24.信噪比/dB[刁]谢磊,蒋冬梅, RAVYSE I等双模型语音识别中的听视觉合成和图1不同信噪比下的单模和双模音识别的比较图模型同步异步性实验研究[].西北工业大学学报,2004,22(2):由表2可以看山,当用于优化流权值的数据是够充分时,171-175利用似然比最人化的优化方法和本文提出的优化方法,都可以[8] POTAMIA NOS G, GRAFH P. Discrimi native training of HMM$em使语音认别系统的认别※大大提高。在与单模语音认别系统exponents for audio-visual speech recognitin[ c]//Proc of Int Conf的比较中,这閃种方法分别使识别率相对提高了12.05%和Acoust speech Signal Pracess. Seattle: [S.n. 1998: 3733-373610.97%。当用丁优化流权值的数据集较小吋,使用似然比最[9 TAMURA, IWANO K; FURUI S.A streamrweight optimization大化的优化方法得到的双模语音识别系统的识别率method for audio-visual speech recognition using multi-stream HMMs82.34%)反而低于单模语音识别系统的识别率(84.62%)[C//Proc of ICASSP2004. Montreal: [5. n] 2004: 857-860但是,利用本文提山的优化方法,即使只有少量的优化数据,也[10刘题,王作英,. eam weight training based on MCE for audio-visua使得系统的识别率相对提高了8.26%。由图1可以看出,即LVCR[.清华大学学报∶英文版,2005,10(2):141-144.使在不同的噪声环境下,利用文提出的流权值优化方法,都[11 CHOWY L. Maximum mutal information estimation of HMM parame-ters for continuous speech recogition using the N-best al gorithm可以有效地训练多数据流HMM,提高系统的认别率。[C//Pra a IEEE Intl Conf A coust, Speech, Signal Processing4结束语1990:701-704.12] ZHANG Xiao-zheng, MERSEREAU RM, CLEMENTS M. Bimodal木文提山了一种多数据HMM的流权值优化方法。这种fusion in audio-visual speech recognition[ C]//Proc of Intemational新的方法是基于似然比最大化准则和Nb砒算法。通过实验Conference an Image Processing 2002: 964-967(上接第87页参考文献:人工动物是对自然界生存动物的虚拟实现,因此其种类也[1 ANGTON C G. Artificial life[ m]// sFi studies in the science of是多种多样的。每个种类感知能力有所差别,对于生命周期较compl exity. Redwood, CA: Addisnm-Wesley, 1998短,感知能力较差、个体较小的种类,二次方差法只有较好的适[2]涂晓媛.人工鱼——计算机动画的人工生命方法[M].北京:清华用条件。对于生命周期较长、感它较发达的种类则可以应用改大学出版社,2001:61-64进的均值橐类算法。[3]班晓娟;陈泓娟,王昭顺,等.人工鱼的认知建模方法硏究[J.计木文主要讨论了在聚焦器础上的行为记忆形成算法及算机工程与应用,2002,38(8):13-15.其优鉷点和应用范围,使人工动物具有了一定的生命特祉,并[4]班晓娟,曾广平,涂序彦基于自学习的人工鱼感知系统设计与实通过人工鱼行为动画实现验证了理论和方法的有效性。下现[]].电子学报,2004,32(12):2041-2045步的感知融合,将使感知聚焦器的功能进一步完善。届时,人[5]班晓娟,人工鱼的高级行为规划和自进化方法研究[D]北京:北工动物将公更加逼真,生命特性也会更加丰富。京科技大学;2003:48-50