搜索
模糊支持向量机的自适应摩尔斯电码识别摘要：摩尔斯电码现在是被广泛地用在可供选择的通讯和辅助技术的修复应用，促进流动性、环境控制和适应现场访问。在本文中，摩尔斯电码作为为患有肌肉萎缩、脑瘫或其他严重障碍者的通信自适应装置。对于摩尔斯电码成为有效的沟通工具是严格要求有一个稳定的打字速度的。因此，需要一个高识别率的自适应自动识别方法。所提出的系统使用模糊支持向量机和可变程度可变步长的最小均方算法来实现这些目标。我们应用模糊成员的每个点，并提供不同的贡献来决定学习函数的支持向量机。统计分析表明，所提出的方法比文献中其他的算法引起了较高的识别率。关键词：摩尔斯电码；最小二乘算法；支持向量机；模糊理论1.介绍目前，大多数的技术产品，特别是传统的电脑键盘，是为没有身体残疾的人设计的。通常，残疾人需要用辅助工具去顺利的使用这些技术设备。随着计算机科学及其相关技术的不断进步，这些自适应工具，结合计算机软硬件，将逐渐在残疾人的生活中扮演越来越重要的角色。因此，许多计算机辅助密钥系统已经为残疾人开发了，如头鼠、迷你键盘、国王的键盘、轨迹球、操纵杆、替代键盘、重点防范（钥匙防护）和触摸屏[1,2]。许多研究人员都集中在为这些输入设备的效率接近每一个按键选定的字符的一套减少开关。去帮助由于如肌肉萎缩、脑神经麻痹或其他严重障碍等疾病而受损的手的协调能力和敏捷性的人，替代键盘是必要的。作为这种通信自适应装置，摩尔斯电码已被证明是一个很好的选择[3-8]。对于摩尔斯电码成为有效的沟通工具是严格要求有一个稳定的打字速度的。因此，一个合适的自适应自动识别方法是必要的。在本文中，一种先进的识别方法，即结合模糊支持向量机（FSVMs）[9,10]和可变程度可变步长的最小均方（vdvslms）算法[11]，建议其提高性能的预测。支持向量机（SVM）理论，基于结构风险最小化原则（SRM）[12]，是一种新的分类方法，在最近几年,更多的关注都被吸引到这个话题[13,14]。支持向量机已成功地应用于许多现实世界的问题，如手写体数字识别、人脸识别、机器视觉[15,16]文本分类和目标检测。它们表明，支持向量机比传统学习机[9,10]具有更高的性能。在模糊支持向量机中，对于决策面的学习，不同输入点可以做出不同的贡献。该方法通过减少数据点中的异常值和噪声的影响，提高了支持向量机的效率。2.方法论摩尔斯电码是一种异步数据比特的二进制编码电路构成对立系统（长短）用于发送和接收数字信息的每一个字可以翻译成一个点和线组成的预定义的序列（摩尔斯电码的元素）。一个点表示一个时期”。”，而破折号等价于一个连字符或减号“−”。每一个音调元素，点或破折号，以发送一个信号的标准长度的时间被传播。由于对摩尔斯电码的定义，对于点–破折号的色调比和点-破折号的空格字符空间的沉默比必须是1:3[6]。然而，根据许多用户的实际体验，莫尔斯电码自动识别是具有挑战性的，因为保持一个稳定的打字速度是很难达到的。在1996年，罗和西施[17]提出了一个系统，采用自适应技术，最小均方（LMS）算法可以识别不同的打字速度。他们的系统可以调整它的特点，成功地在一个不稳定的打字条件下识别信息，但在打字速度的变化上是有限制的。为了消除目前0.7–2倍的打字速度的限制，一个残疾人用户为了使系统成功地识别他或她的摩尔斯电码信息必须是训练有素的。然而，对于初学者或严重残疾的人遵从这个限制被证明是困难的。随后，施和罗[18]提出了一种改进的方法，把按字符匹配技术和最小均方算法相结合来克服这种限制。在2001年，杨通过结合最小均方算法和学习矢量量化（LVQ）解决了同样的问题[19]。本文提出的方法分为以下五个阶段：声调识别、训练过程、空间识别、自适应处理和字符识别。摩尔斯码的识别过程的框图如图1所示。最初，输入数据流被单独发送到音识别或空间识别，这取决于开关的时间长度（音元素）或切换时间（空间元素）。在声调的识别阶段，基调元素值REC认为或者一个点或一个破折号，然后送到训练过程，并重新计算决策函数。同时，在色调，缓冲段，公认的音元（点或破折号）和每个连续的音元素保存在一个点-破折号缓冲和一个调元缓冲。在空间识别阶段，空间元素的值是公认的一点-破折号空间（一个字符元素之间的空间）或一个字符（字符空间之间的空间），然后送入自适应处理阶段。在字符空间被获得后，在色调缓冲区中的值（是）发送到字符识别阶段，该字符识别该字符[2]。图1.莫尔斯电码的识别过程框图。摩尔斯电码字符，xi，表示如下：在ej（xi）：当一个键被按下，它是作为“点”或“破折号”，根据输入的字符xi,jth莫尔斯代码元素的持续时间。bj（xi）：当一个键被举起，它是作为三个空间：一个字符元素之间的空间，字或词与词之间的空间之间的空间，这是对输入字符xi两空间时间。N：在字符xi摩尔斯代码元素的总数。2.1.音调识别最初，输入的数据流发送单独的声调识别和空间识别和数据缩放到范围内的[−1得到一个输入值，+1]。这可以通过以下操作来描述：下=-1，上=+1，调元是一个输入值，音min是输入点的最小的点–破折号值，音调Max是输入点的最大的点–破折号值。音元素的值首先被确认为一个点或一个破折号，调元价值首先是公认的一个点或一个破折号，然后发送到培训过程的阶段，这是用来计算决策函数。在这个阶段，缩放的音值（×），可以发送到决策功能确定认可价值为破折号（F（XJ）≥0）或一个点（F（XJ）＜0），其中α我是一个最佳的解决方案，一∈{−1+1}和B是偏见。从最初的决策功能缺失开始，训练过程中应进行计算的FSVMs决策函数。首先要定义一个初始训练数据集。为了阻止我的初始训练数据集，在第一个12个顺序的音调元素的值的关系计算。如果一个值是其邻近值的两倍大，那么值被处理为长（音）；较小的值表示短的值（音）。语气和声调的值作为对训练数据集的代表。一旦获得音和音的值，就可以计算出它们的平均值，并分别指定为基础和基础。计算起始标准音的基础是如下方程后的基调基础已经获得，我们可以回去隔离的第一个12个值的色调元素。如果孤立的值是一个破折号，这是标记一=+1，否则易−标记=1。在训练数据集的基础上，对声调识别的初始决策函数进行了训练过程。例如，摩尔斯电码的数字流为：2511332403295613124415252555126314109157136643682421426113510339079，其中奇数位置数据（下划线）被定义为音调甚至被定义为空间位置数据。前12个色调值是2405624452126109136368142135251390。经过计算，这12个值的可微性元素是2405624452136368135390。这些值（244，240，368，390）在数据流中是大于相邻的值两倍的，从而为色调的候选人。其余的邻居值（52，56，136，135）是音的候选人。因此，可以计算出的样本数据流的音和音基础如下：因此，声调的基础是202.63，因此训练数据集定义为{（240，1），（56，−1），（244，1），（52，−1），（136，−1），（368，1），（135，−1），（390，1）}和缩放设置成为{（0.112，1），（0.976−−，1），（0.136，1），（1−−，1），（0.503−−，1），（0.870，1），（−0.509、−1），（1，1）}。一旦最初的训练数据集是确定的，它可以用来运行训练程序和找到最初的决策函数，构成点–破折号分类器。培训过程的细节将在下一节中描述。通过初始化阶段，输入流的新色调值将投入决策函数f（x）确定的公认值为破折号（f（x）≥0）或一个点（f（x）＜0）。声调识别后，得到的值可以被送入训练数据集。然后训练过程进行重新计算决策功能，等待下一个值。此值送入训练数据集，而且参与接下来的训练过程。但是，在实践中，并非所有的数据的模糊支持向量机的训练都是必要的，丰富的。换句话说，我们可以在将数据发送到训练数据集之前过滤掉数据。一些数据是远大于或小于音最大或音分钟，超过三倍的值。此数据应被视为噪声和忽略，被引用后，对一个阈值。我们使用标准偏差作为阈值。2.2.训练过程VC理论[12]在文献中提供了一个有关统计学习模型集的复杂性的一般措施。基于VC理论，支持向量机可以设计用于分类问题。支持向量机提供卓越的性能[14]，但是，他们对于如噪声或更少有意义远离自己的类的数据等损失的数据是敏感的，这会影响支持向量机的泛化能力。为此，黄、刘[10]提出了一种模糊化的概念，建立在所谓的模糊支持向量机的训练数据（FSVMs）。2.3.模糊支持向量机和模糊隶属度在许多实时信号处理的应用中，顺序学习和推理方法是重要的[9]。摩尔斯电码识别可以被视为一个顺序的学习问题。例如，我们希望有一个学习机，在这一点从最近的过去被给予更多的重量比远回到过去。为了这个目的，我们可以选择的模糊隶属函数的时间点，在该点产生。假设我们给出了一系列的训练点在t1≦...ti≦tl是在哪些时间点到达在系统中，让模糊隶属度是一个函数时间ti。这样，我们使用了三个功能的时间，包括线性函数式（9），边界函数方程（7）和Sigmoid函数方程（8），单独列示如下：这里a=0.1,b=ε,p=3和ωi=ti−0.5×tl.这些都是模糊隶属函数的识别。我们应用FSVMs字符识别。然而，培训这些系统是不平凡的，计算成本高，所需的优化包的使用。使用内核Adatron–（KA）没有偏见[16]算法可以简化FSVMs的训练程序，如下：（1）初始化αi0=0。（2）当i=1,...,l,执行下面的3,4步骤。（3）标记点(xi,yi)计算:（4）理论计算：（5）如果超出了最大迭代次数或λ约1后停止，否则返为下一步的2步。η是训练程序的学习率。η0.1的值在这项研究中。2.4.空间识别空间识别阶段是用来识别字符空间和隔离一个人的摩尔斯电码的字符元素。S1是最初的无声的基值。这个字符检测操作程序显示如下面：(1)启动j=1。(2)如果bj（xi）无声的基值，然后转到步骤3，否则去步骤4。(3)bj(xi)是一个点-破折号空间，让j=j+1,然后去步骤2。(4)bj(xi)是字符空间。然后，得到的字符空间之间的音调持续时间序列，去步骤1。由于一个初始的空间长度值S1的缺失，第一个字xi不能立即隔离。因此，初始间距S1是通过无声的元素的前九个值作为参考值；然后，所有取的值按降阶排序。排序后，每个值之间的关系进行比较。如果一个值比其他任何一个值大一倍，这个值表示为长（沉默升），如果值较小，则表示为短（沉默的）。一旦这种关系已经确定，分为初始间距S1。每当一个S1值，数据流分为字符集和空间点–冲刺空间。后一个字符的摩尔斯电码的元素是从数据流中分离的元素，可以识别的字符识别阶段。2.5.自适应过程变化的程度，变步长LMS算法（vdvslms）系统中使用，可以巧妙地改变无声的基础来预测一个不稳定的打字速度[20]。这一变化利用当前的数据去计算带有步长µ标准的LMS使用权重递归的一个新的权重向量[11]。X(n)是n最近的输入数据的输入向量，ε（n）是错误的。VDVSLMS方程式所产生的权重更新递归算法：在这里在α2(n)的下标表示的程度，是一个梯度的估计。这里d(n)是所需信号的标量。µ步长参数控制的收敛速度，以及自适应滤波器的稳态和/或跟踪行为。步长µ已经在我们的系统中的值是0.02，一个算法与九个输入信号x（n）进行实验。更新的权重递归后的W（n+1）的计算方法，它可以与输入向量XT（n）乘以的结果作为一个新的调整，无声基值。结果得到一个VDVSLMS比采用归一化LMS算法得到的更准确。2.6.特征识别一旦一个特征空间价值已经抵达缓冲音调，这是一个语气缓冲元件送到字符识别信号。如果识别的字符集可以直接从摩尔斯电码表匹配到一个代码集，然后立即从摩尔斯电码表翻译。超视距调节，它是由下面的最小距离计算翻译。首先，在一个未知的音元流的每个音的元素值除以前面的音元的FSVM的决策函数集。然后，计算每个色调值在摩尔斯电码表的每个字