CN104616656A - 一种基于改进abc算法的朱鹮鸣声码书设计方法 - Google Patents

Abstract

本发明公开了一种基于改进ABC算法的朱鹮鸣声码书设计方法，将采集到的朱鹮所有行为的鸣声数字化为一个N维的矢量Z＝{z₁,z₂,…,z_N}，Z是一个有由N个k维特征矢量构成的训练序列，N表明有N种朱鹮行为发出的鸣声，其中第i个特征矢量记为z_i＝{t₁,t₂,…,t_K}；将这些特征矢量Z按照最近邻域法划分成M个互不相交的子空间，在每一个子空间采用改进ABC算法找一个码字代表矢量y_m，则M个代表矢量可以组成矢量集Y＝{y₁,y₂,…,y_M}。本发明中加入了扰动因子，使得改进的人工蜂群算法，在优化初起时，个体的解空间范围内具有较高的搜索能力，避免过早陷入局部最优，加快了收敛。在待测音频内进行搜索时，较传统的LBG算法和标准人工蜂群算法更具有较快的速度和较好的鲁棒性。

Description

一种基于改进ABC算法的朱鹮鸣声码书设计方法

【技术领域】

本发明涉及音频识别技术领域，特别涉及一种朱鹮鸣声码书设计方法。

【背景技术】

朱鹮，是我国一级保护动物，世界稀有珍禽。通过朱鹮的叫声来识别朱鹮的行为，能够进一步的了解朱鹮，从而达到保护朱鹮的重要现实意义。陕西师范大学的白雅等人通过对比朱鹮和人的发声机理，借鉴语音模型，建立了朱鹮鸣声信号的终端模型，包括声道模型、声源模型和激励模型。码书设计是朱鹮叫声识别系统模型中的重要技术。传统的LGB算法在码书设计时容易陷入局部最优解。因此，许多学者将模糊智能和群体智能优化算法在码书设计上得以应用。基于人工蜂群算法的码书设计就是其中一种比较有效的算法。

人工蜂群算法(ABC)是近年来模拟蜂群觅食行为的一种群体智能方法，是由Karaboga于2001年提出，它源于对蜜蜂采蜜行为的研究。由于ABC算法结构简单，鲁棒性强，已被广泛应用。用于人工蜂群算法优化函数，仿真结果表明ABC算法比遗传算法、差分进化算法、粒子群算法具有较好的优化性能或相似性能。但是现有人工蜂群算法应用于码书设计时的随机性比较大，难以获得最佳码书。

【发明内容】

本发明的目的在于提出一种基于改进ABC算法的朱鹮鸣声码书设计方法，该方法不仅提高了速率还有很好的鲁棒性。

为了实现上述目的，本发明所采用的技术方案是：

一种基于改进ABC算法的朱鹮鸣声码书设计方法，包括以下步骤：

将采集到的朱鹮所有行为的鸣声数字化为一个N维的矢量Z＝{z₁,z₂,…,z_N}，Z是一个有由N个k维特征矢量构成的训练序列，N表明有N种朱鹮行为发出的鸣声，其中第i个特征矢量记为z_i＝{t₁,t₂,…,t_K}；将这些特征矢量Z按照最近邻域法划分成M个互不相交的子空间，在每一个子空间采用改进ABC算法找一个码字代表矢量y_m，则M个代表矢量可以组成矢量集Y＝{y₁,y₂,…,y_M}。

优选的，在每一个子空间采用改进ABC算法找一个码字代表矢量y_j的过程包括：

步骤1、设置改进ABC算法的各项参数：设置食物源的个数SN，即可能的码字个数；预先确定的最大循环次数limit，迭代次数MCN；

步骤2、初始化搜索子空间：采用LPCC线性预测倒谱系数和MFCC美尔倒谱系数提取出对应子空间的N维特征矢量，生成初始解x_i(i＝1,2…SN)，每个解x_i是一个N维的向量；若初始解为最优解，则计算蜂群个体适应度fit_i；否则，继续初始化种群，直到初始化的解为最优解；蜂群个体适应度fit_i的计算公式如下：

$\begin{array}{cc}f\left(i\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{x\∈{\mathrm{\θ}}_m}{\mathrm{\Σ}}\left|\right|{x-y}_m\left|\right|& i=\mathrm{0,1},\·\·\·,\mathrm{SN}\end{array}$

${\mathrm{fit}}_i=\frac{1}{1+f\left(i\right)}---\left(1\right)$

f(i)表示训练矢量到每个码字的欧氏距离之和，其中θ_m为第m个子空间的数据集合，M为子空间数；y_m是用来代表一个码字的矢量，x是初始解的集合，即x＝{x₁,x₂,…,x_N}；

步骤3、引领蜂进行了一次领域的搜索，并更新食物源位置，即码字；然后引领蜂重新根据最近领域法对每个码书进行聚类划分，计算新的聚类中心，更新码书；引领蜂评价该食物源的好坏，进行贪婪选择；

步骤4、按照贪婪选择概率选取新的食物源，引领蜂将新的信息分享给跟随蜂，跟随蜂同引领蜂一样按照步骤3的方法进行邻域搜索、聚类划分和贪婪选择；

步骤5、在所有跟随蜂完成邻域搜索过程之后，如果一个解通过limit次循环不能被进一步改良，那么将该食物源就舍弃；若改良过程中有丢弃的可行解，则引领蜂将变成一只侦察蜂，侦查蜂产生一个新的可行解x_ij，并记录下目前最好的食物源位置和它对应的码字y_m；

然后重复循环步骤3-5，直到达到最大循环次数limit；

步骤6、若达到种群找到最好的食物源位置或达到最大迭代次数，输出最优码书，否则转步骤3。

优选的，步骤3中，引领蜂通过下面的更新式子更新食物源位置：

$v_{\mathrm{ij}}^g=x_{\mathrm{ij}}^g+{\mathrm{\φ}}_{\mathrm{ij}}(x_{\mathrm{kj}}^g-x_{\mathrm{ij}}^g)+(1-{\mathrm{\φ}}_{\mathrm{ij}})\·(x_{\mathrm{Bj}}^g-x_{\mathrm{ij}}^g)---\left(2\right)$

其中，表示第i个新食物源的位置的第j维分量，表示随机选择食物源的位置第j维分量；表示第i个初始食物源的位置第j维分量，对应当前历史最优食物源的第j维分量；φ_ij随迭代次数的增加自适应变化的权值，在引领蜂搜索中用下式：

${\mathrm{\&phi;}}_{\mathrm{ij}}=\left\{\begin{array}{cc}{e}^{-\frac{0.06\&times;\mathrm{iter}}{\max \mathrm{iter}}}& \mathrm{rand}<0.5\\ {-e}^{\frac{0.06\&times;\mathrm{iter}}{\max \mathrm{iter}}}& \mathrm{otherwise}\end{array}\right.---\left(3\right)$

在跟随蜂搜索中用下式：

${\mathrm{\&phi;}}_{\mathrm{ij}}=\left\{\begin{array}{cc}{e}^{-\frac{6\&times;\mathrm{iter}}{\max \mathrm{iter}}}& \mathrm{rand}<0.5\\ {-e}^{\frac{6\&times;\mathrm{iter}}{\max \mathrm{iter}}}& \mathrm{otherwise}\end{array}\right.---\left(4\right)$

其中，式中iter表示迭代次数，rand表示选择的[0,1]的随机数。

优选的，步骤3中引领蜂根据式(5)评价该食物源的好坏，进行贪婪选择：

$p_i=0.1\&times;\left(\frac{\min {\mathrm{fit}}_i}{\max {\mathrm{fit}}_i}\right)+0.9\&times;\left(\frac{{\mathrm{fit}}_i}{\max {\mathrm{fit}}_i}\right)---\left(5\right)$

式中max fit_i是所有食物源的最大适应度，式中min fit_i是所有食物源的最小适应度；p_i为码字的贪婪选择概率。

优选的，步骤5中侦查蜂按照下式产生一个新的可行解x_ij：

x_ij＝x_minj+rand(0,1)(x_maxj-x_minj)             (6)

其中j∈{1,2,…,N}；x_maxj是离初始食物源最远的位置的第j维分量，x_minj表示离初始食物源最近的位置的第j维分量；rand表示随机数。

优选的，步骤3和步骤4对码字进行重新划分时，如果出现聚类中无训练矢量的情况，采用随机地从其他参与划分的码字中取出距离该区域质心最远的码字，将这个码字放入没有码字的空区域，反复整个划分过程，直到所有区域都有码字。

优选的，SN＝20；limit＝4；MCN＝10。

优选的，在进行种群个体重新划分时如果出现空胞腔，就是没有训练样本矢量；在这种情况下，在这个空胞腔中放入随机一个非空胞腔中距离质心最远的矢量；反复这个过程直到没有空胞腔出现，使得码书设计中减小平均矢量。

相对于现有技术，本发明的有益效果是：本发明中加入了扰动因子，使得改进的人工蜂群算法，在优化初起时，个体的解空间范围内具有较高的搜索能力，避免过早陷入局部最优，加快了收敛。在待测音频内进行搜索时，较传统的LBG算法和标准人工蜂群算法更具有较快的速度和较好的鲁棒性；本发明减小了对初始码书的依赖，比传统的LBG和标准人工蜂群算法提高了识别率，并较好地处理了易陷入局部最优解的问题。

【具体实施方式】

本发明一种基于改进ABC算法的朱鹮鸣声码书设计方法，包括以下步骤：将采集到的朱鹮所有行为的鸣声数字化为一个N维的矢量Z＝{z₁,z₂,…,z_N}，Z是一个有由N个k维特征矢量构成的训练序列，N表明有N种朱鹮行为发出的鸣声，其中第i个特征矢量记为z_i＝{t₁,t₂,…,t_K}。码书设计过程就是将这些特征矢量Z按照最近邻域法划分成M个互不相交的子空间，这些子空间称为胞腔，在每一个子空间采用改进ABC算法找一个码字代表矢量y_m，则M个代表矢量可以组成矢量集Y＝{y₁,y₂,…,y_M}，这样就构成矢量量化器。整个过程遵循的规则就是使设计出的码书平均失真D最小。平均失真D计算公式如下：

$D=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\min d(z_i,y_j)$

其中d(z_i,y_j)为矢量z_i和码字y_j之间的失真度，定义为两者之间的欧氏距离。

其中标准的ABC算法是模拟蜜蜂采到最佳蜜源(食物源)，其中蜂群由三种不同种类的蜜蜂组成：引领蜂、跟随蜂和侦察蜂。

引领蜂在搜索空间生成初始解x_i(i＝1,2,…,SN)，SN为食物源个数，该蜂在初始化后，开始对初始的食物源的领域进行搜索，通过下式来更新食物源的位置：

v_ij＝x_ij+φ_ij(x_ij-x_kj)

式中k∈{1,2,…,SN}，j∈{1,2,…,N}，且k≠i；v_ij表示第i次食物源更新的位置，x_ij表示第i次食物源当前的位置，x_kj表示随机选择的食物源的位置，φ_ij为[-1，1]之间的随机数。

引领蜂进行一轮搜索后要对新的食物源的位置进行取舍，更新的食物源的位置适应度比搜索前位置好的，进行保留新位置舍弃旧位置；若差的，进行保留旧位置舍弃新位置。引领蜂将选择的食物源的位置分享给跟随蜂，跟随蜂根据食物源适应度值以轮盘赌方式按下式计算选择食物源的概率。

$p_i=\frac{{\mathrm{fit}}_i}{\underset{K=1}{\overset{\mathrm{SN}}{\mathrm{\&Sigma;}}}{\mathrm{fit}}_i}$

其中适应度fit_i的计算公式如下：

${\mathrm{fit}}_i=\frac{1}{1+f\left(i\right)}$

$f\left(i\right)=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{x{\&Element;\mathrm{\&theta;}}_j}{\mathrm{\&Sigma;}}\left|\right|{x-y}_j\left|\right|,i=\mathrm{0,1},\&CenterDot;\&CenterDot;\&CenterDot;,\mathrm{SN}$

其中θ_j为第j个子空间的数据集合，M为子空间数。适应度f(i)越小，代表码书性能越好。算法在[0，1]中选择一个随机数，将它与上式计算出的食物源概率进行比较，大于随机数时采用更新食物源位置公式产生新食物源，并用引领蜂对新食物源位置的取舍方式进行取舍。在所有跟随蜂如果在最后一次后依然没有搜索出最优解，它就会丢弃该食物源。被丢弃的食物源对应的引领蜂变成侦察蜂，由下式产生新的食物源。

x_ij＝x_minj+rand(0,1)(x_maxj-x_minj)

其中j∈{1,2,…,N}。x_maxj是最远蜜源的位置第j维分量，x_minj表示最近蜜源的位置第j维分量；rand表示随机数，产生新的食物源后，按照之前的过程进行重复搜索。

本发明采用了在人工智能算法的ABC算法的基础上进行码书设计，改进了产生新解的方式，其中具体过程如下：

步骤1、设置改进ABC算法中所用到的参数，包括食物源的个数SN，整个过程的算法迭代次数MCN和总的循环次数limit；

步骤2、初始化搜索子空间：采用LPCC线性预测倒谱系数和MFCC美尔倒谱系数提取出N维特征矢量，生成初始解x_i(i＝1,2…SN)，每个解x_i是一个N维的向量；若初始解为最优解，则计算蜂群个体适应度fit_i；否则，继续初始化种群，直到初始化的解为最优解；蜂群个体适应度fit_i的计算公式如下：

$\begin{array}{cc}f\left(i\right)=\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{x\&Element;{\mathrm{\&theta;}}_m}{\mathrm{\&Sigma;}}\left|\right|{x-y}_m\left|\right|& i=\mathrm{0,1},\&CenterDot;\&CenterDot;\&CenterDot;,\mathrm{SN}\end{array}$

${\mathrm{fit}}_i=\frac{1}{1+f\left(i\right)}---\left(1\right)$

f(i)表示训练矢量到每个码字的欧氏距离之和，其中θ_m为第m个子空间的数据集合，M为子空间数；y_m是用来代表一个码字的矢量，x是初始解的集合，即x＝{x₁,x₂,…,x_N}；

步骤3、初始化的码字进行一次搜索更新，本发明通过改进的标准ABC算法中首先引领蜂通过下面的更新式子更新食物源位置，即更新码字：

$v_{\mathrm{ij}}^g=x_{\mathrm{ij}}^g+{\mathrm{\&phi;}}_{\mathrm{ij}}(x_{\mathrm{kj}}^g-x_{\mathrm{ij}}^g)+(1-{\mathrm{\&phi;}}_{\mathrm{ij}})\&CenterDot;(x_{\mathrm{Bj}}^g-x_{\mathrm{ij}}^g)---\left(2\right)$

其中，表示第i个新食物源的位置(新解)的第j维分量，表示随机选择食物源的位置第j维分量；表示第i个原蜜源的位置第j维分量，对应当前历史最优第j维分量。该改进的式子在整个过程的迭代初期，个体在解空间范围内应具有较高的搜索能力，避免过早陷入局部最优。而当进化迭代一定次数后，个体在局部内进行搜索，从而加快收敛。为此，在本文改进的ABC算法中，φ_i.j随迭代次数的增加自适应变化的权值，在引领蜂搜索中用下式。

${\mathrm{\&phi;}}_{\mathrm{ij}}=\left\{\begin{array}{cc}{e}^{-\frac{0.06\&times;\mathrm{iter}}{\max \mathrm{iter}}}& \mathrm{rand}<0.5\\ {-e}^{\frac{0.06\&times;\mathrm{iter}}{\max \mathrm{iter}}}& \mathrm{otherwise}\end{array}\right.---\left(3\right)$

在跟随蜂搜索中用下式。

${\mathrm{\&phi;}}_{\mathrm{ij}}=\left\{\begin{array}{cc}{e}^{-\frac{6\&times;\mathrm{iter}}{\max \mathrm{iter}}}& \mathrm{rand}<0.5\\ {-e}^{\frac{6\&times;\mathrm{iter}}{\max \mathrm{iter}}}& \mathrm{otherwise}\end{array}\right.---\left(4\right)$

式中iter表示迭代次数，rand表示选择的[0,1]的随机数。

改进的步长φ_ij和标准ABC算法中随机步长φ_ij相比，加入该改进的扰动因子可以平衡人工蜂群算法的开采和搜索。这个改进的方法具有简单的结构，容易实现。这个改进的ABC结果也是非常简单，不会增加时间复杂度。通过改进的ABC算法计算出的新的码字，要计算其适应度fit_i。新解适应度比初值好，就采用新的码字，若比初值差，仍采用旧解。

步骤4、引领蜂按照贪婪选择概率选取新的食物源，并把选择的食物源分享给跟随蜂，跟随蜂按在食物源附近做邻域搜索，本发明采用了改进的跟随蜂的步长φ_i,j来更新食物源。码书也就是按照改进的跟随蜂的搜索公式产生新的码字。按照ABC算法是通过轮盘赌选择策略来计算码字的选择概率p_i的，但本发明为了提高选择的准确性，采用了下式进行选择：

$p_i=0.1\&times;\left(\frac{\min {\mathrm{fit}}_i}{\max {\mathrm{fit}}_i}\right)+0.9\&times;\left(\frac{{\mathrm{fit}}_i}{\max {\mathrm{fit}}_i}\right)---\left(5\right)$

式中：p_i为码字的贪婪选择概率，max fit_i是所有食物源的最大适应度，式中min fit_i是所有食物源的最小适应度。

步骤5反复循环步骤3到步骤4，直到最后一次循环，若还是舍弃了旧码字，那么引领蜂的整个搜索过程结束，并且引领蜂变成一只侦查蜂，侦察蜂按照下式产生新的码字代替。

x_ij＝x_minj+rand(0,1)(x_maxj-x_minj)              (6)

其中j∈{1,2,…,N}。然后返回引领蜂搜索过程步骤3，开始重复循环步骤3-5，直到达到最大循环次数limit。

步骤6、把整个过程中得到的最优的码字记录下来，记忆最好的食物源位置及所对应的码字y_j。判断整个循环过程是否达到最大迭代次数或者用计算失真度判断是否达到最优码书。若满足条件，就确定最优码书，若不满足，就进入步骤2。(在设计码书时，通过一定规则进行码字划分时，常常会出现没有的码字的空区域，本发明采用随机地从其他参与划分的码字中取出距离该区域质心最远的码字，将这个码字放入没有码字的空区域，反复整个划分过程，直到所有区域都有码字，这个过程可以减小失真度。)

具体实施算法

(1)采集朱鹮的声音数据，本文采用野外录音，然后再在实验室进行转录的方法。录制了10只朱鹮在的真交尾、假交尾、飞行、理羽鸣声。

(2)其中7只朱鹮的语音数据作为训练数据库，另外3只朱鹮的语音数据作为识别数据库。每种行为的叫声分别为50个文件，每个文件为4秒到6秒不等，平均5秒。

(3)实验过程中首先对朱鹮声音信号用小波的分析方法进行失真滤波和消噪处理处理，采样精度16bit,采样频率为11.025kHz。

(4)采用LPCC线性预测倒谱系数和MFCC美尔倒谱系数提取1024维的朱鹮鸣声行为训练数据库特征矢量。

(5)采用改进的ABC算法、ABC算法和LBG算法对每种行为的1024维特征矢量进行矢量量化，量化形成的码矢标号为0到127，其中改进的ABC算法中食物源数SN＝20；limit＝4；最大循环次数MCN＝10；最后把码矢标号代入矢量量化模型进行训练和识别。训练的方法采用经典的Baum-Welch算法。最后每个文件都被训练成一套模型参数。

(6)本文采用帧正确率(Frame Correct Rate,FCR)作为系统识别性能的评价标准。FRC的定义如：概率最大值对应的模型就是识别结果。并对比三种算法的识别率，实验表明，改进的ABC算法能被应用到码书设计中，能有效解决LBG算法对初始码书的依赖性，具有更好的鲁棒性。

表1三种不同方法在不同行为和不同噪声环境下FRC(﹪)

表2不同算法统计性能比较

算法	D	PSNR(dB)
			LBG	143.71	26.59
ABC	79.21	29.14
			改进的ABC	66.27	29.92

由表1和表2可以测出待测的朱鹮鸣声用新改进的方法能够更快更准确地和模板库中朱鹮特定行为声音进行匹配。可以从表1的四种行为的识别率来看，改进的ABC算法平均帧识别率达到83.4％，比ABC算法高出了4％，比传统的LBG算法高出了10％。从表2来看改进的ABC算法比前两种算法性能强，收敛速度快，抗噪性能好。

Claims (7)

1.一种基于改进ABC算法的朱鹮鸣声码书设计方法，其特征在于，包括以下步骤：

将采集到的朱鹮所有行为的鸣声数字化为一个N维的矢量Z＝{z₁,z₂,…,z_N}，Z是一个有由N个k维特征矢量构成的训练序列，N表明有N种朱鹮行为发出的鸣声，其中第i个特征矢量记为z_i＝{t₁,t₂,…,t_K}；将这些特征矢量Z按照最近邻域法划分成M个互不相交的子空间，在每一个子空间采用改进ABC算法找一个码字代表矢量y_m，则M个代表矢量可以组成矢量集Y＝{y₁,y₂,…,y_M}。

2.根据权利要求1所述的一种基于改进ABC算法的朱鹮鸣声码书设计方法，其特征在于，在每一个子空间采用改进ABC算法找一个码字代表矢量y_m的过程包括：

步骤1、设置改进ABC算法的各项参数：设置食物源的个数SN，即可能的码字个数；预先确定的最大循环次数limit，迭代次数MCN；

步骤2、初始化搜索子空间：采用LPCC线性预测倒谱系数和MFCC美尔倒谱系数提取出对应子空间的N维特征矢量，生成初始解x_i(i＝1,2…SN)，每个解x_i是一个N维的向量；若初始解为最优解，则计算蜂群个体适应度fit_i；否则，继续初始化种群，直到初始化的解为最优解；蜂群个体适应度fit_i的计算公式如下：

$f\left(i\right)=\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{x\&Element;{\mathrm{\&theta;}}_m}{\mathrm{\&Sigma;}}\left|\right|x-y_m\left|\right|,i=\mathrm{0,1},...,\mathrm{SN}$

${\mathrm{fit}}_i=\frac{1}{1+f\left(i\right)}---\left(1\right)$

f(i)表示训练矢量到每个码字的欧氏距离之和，其中θ_m为第m个子空间的数据集合，M为子空间数；y_m是用来代表一个码字的矢量，x是初始解的集合，即x＝{x₁,x₂,…,x_N}；

步骤3、引领蜂进行了一次领域的搜索，并更新食物源位置，即码字；然后引领蜂重新根据最近领域法对每个码书进行聚类划分，计算新的聚类中心，更新码书；引领蜂评价该食物源的好坏，进行贪婪选择；

步骤4、按照贪婪选择概率选取新的食物源，引领蜂将新的信息分享给跟随蜂，跟随蜂同引领蜂一样按照步骤3的方法进行邻域搜索、聚类划分和贪婪选择；

步骤5、在所有跟随蜂完成邻域搜索过程之后，如果一个解通过limit次循环不能被进一步改良，那么将该食物源就舍弃；若改良过程中有丢弃的可行解，则引领蜂将变成一只侦察蜂，侦查蜂产生一个新的可行解x_ij，并记录下目前最好的食物源位置和它对应的码字y_m；

步骤6、若达到种群找到最好的食物源位置或达到最大迭代次数，输出最优码书，否则转步骤3。

3.根据权利要求2所述的一种基于改进ABC算法的朱鹮鸣声码书设计方法，其特征在于，步骤3中，引领蜂通过下面的更新式子更新食物源位置：

$v_{\mathrm{ij}}^g=x_{\mathrm{ij}}^g+{\mathrm{\&phi;}}_{\mathrm{ij}}(x_{\mathrm{kj}}^g-x_{\mathrm{ij}}^g)+(1-{\mathrm{\&phi;}}_{\mathrm{ij}})\&CenterDot;(x_{\mathrm{Bj}}^g-x_{\mathrm{ij}}^g)---\left(2\right)$

其中，表示第i个新食物源的位置的第j维分量，表示随机选择食物源的位置第j维分量；表示第i个初始食物源的位置第j维分量，对应当前历史最优食物源的第j维分量；φ_ij随迭代次数的增加自适应变化的权值，在引领蜂搜索中用下式：

${\mathrm{\&phi;}}_{\mathrm{ij}}=\left\{\begin{array}{cc}{e}^{-\frac{0.6\&times;\mathrm{iter}}{\max \mathrm{iter}}}& \mathrm{rand}<0.5\\ -e^{\frac{0.06\&times;\mathrm{iter}}{\max \mathrm{iter}}}& \mathrm{otherwise}\end{array}\right.---\left(3\right)$

在跟随蜂搜索中用下式：

${\mathrm{\&phi;}}_{\mathrm{ij}}=\left\{\begin{array}{cc}{e}^{-\frac{0.6\&times;\mathrm{iter}}{\max \mathrm{iter}}}& \mathrm{rand}<0.5\\ -e^{\frac{0.06\&times;\mathrm{iter}}{\max \mathrm{iter}}}& \mathrm{otherwise}\end{array}\right.---\left(4\right)$

其中，式中iter表示迭代次数，rand表示选择的[0,1]的随机数。

4.根据权利要求2所述的一种基于改进ABC算法的朱鹮鸣声码书设计方法，其特征在于，步骤3中引领蜂根据式(5)评价该食物源的好坏，进行贪婪选择：

$p_i=0.1\&times;\left(\frac{\min \mathrm{fi}{t}_i}{\max {\mathrm{fit}}_i}\right)+0.9\&times;\left(\frac{{\mathrm{fit}}_i}{\max {\mathrm{fit}}_i}\right)---\left(5\right)$

式中max fit_i是所有食物源的最大适应度，式中min fit_i是所有食物源的最小适应度；p_i为码字的贪婪选择概率。

5.根据权利要求2所述的一种基于改进ABC算法的朱鹮鸣声码书设计方法，其特征在于，步骤5中侦查蜂按照下式产生一个新的可行解x_ij：

x_ij＝x_minj+rand(0,1)(x_maxj-x_minj)   (6)

其中j∈{1,2,…,N}；x_maxj是离初始食物源最远的位置的第j维分量，x_minj表示离初始食物源最近的位置的第j维分量；rand表示随机数。

6.根据权利要求2所述的一种基于改进ABC算法的朱鹮鸣声码书设计方法，其特征在于，步骤3和步骤4对码字进行重新划分时，如果出现聚类中无训练矢量的情况，采用随机地从其他参与划分的码字中取出距离该区域质心最远的码字，将这个码字放入没有码字的空区域，反复整个划分过程，直到所有区域都有码字。

7.根据权利要求2所述的一种基于改进ABC算法的朱鹮鸣声码书设计方法，其特征在于，SN＝20；limit＝4；MCN＝10。