Prediction of Gain in LD-CELP Using Hybrid Genetic/PSO-Neural Models

سال انتشار: 1389
محل انتشار: مجله پیشرفت در تحقیقات کامپیوتری، دوره: 2، شماره: 1
کد COI اختصاصی: JR_JACR-2-1_001
زبان مقاله: انگلیسی
تعداد مشاهده: 429

نویسندگان

Department of Electrical Engineering, Islamic Azad University, South Tehran Branch, Tehran, Iran

چکیده

In this paper, the gain in LD-CELP speech coding algorithm ispredicted using three neural models, that are equipped by genetic and particleswarm optimization (PSO) algorithms to optimize the structure and parameters ofneural networks. Elman, multi-layer perceptron (MLP) and fuzzy ARTMAP are thecandidate neural models. The optimized number of nodes in the first and secondhidden layers of Elman and MLP and also the initial weights and biases of thesenets are determined by genetic algorithm (GA) and PSO. In the fuzzy ARTMAP, thechoice parameter, , learning rate, , and vigilance parameter, , are selected byGA and PSO, as well. In this way, the performance of GA and PSO are comparedwhen using different neural architectures in this application. Empirical results showthat when gain is predicted by Elman and MLP neural networks with GA/PSOoptimizedparameters, the segmental signal to noise ratio (SNRseg) and meanopinion score (MOS) are improved as compared to traditional implementationbased on ITU-T G.728 recommendation. On the other hand, fuzzy ARTMAP-basedgain predictor reduces the computational complexity noticeably, with no significantdegradations in SNRseg and MOS.

کلیدواژه ها

Speech coding, neural networks, genetic algorithm, particle swarmoptimization

مقالات مرتبط جدید

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.