基于模糊神經(jīng)網(wǎng)絡(luò)的播音信號(hào)識(shí)別技術(shù)研究

何艷萍

摘? 要： 播音信號(hào)識(shí)別對(duì)于提高播音質(zhì)量具有十分重要的意義，當(dāng)前播音信號(hào)識(shí)別方法存在誤識(shí)率高，播音信號(hào)識(shí)別效率低等不足，為了獲得更優(yōu)的播音信號(hào)識(shí)別結(jié)果，設(shè)計(jì)基于模糊神經(jīng)網(wǎng)絡(luò)的播音信號(hào)識(shí)別技術(shù)。首先分析當(dāng)前播音信號(hào)識(shí)別技術(shù)的研究進(jìn)展，指出各種播音信號(hào)識(shí)別技術(shù)存在的不足;然后采用空間變換和奇異值分解算法提取播音信號(hào)識(shí)別特征，并采用模糊神經(jīng)網(wǎng)絡(luò)建立播音信號(hào)識(shí)別分類(lèi)器;最后在Matlab 2017平臺(tái)上進(jìn)行播音信號(hào)識(shí)別仿真實(shí)驗(yàn)，結(jié)果表明，模糊神經(jīng)網(wǎng)絡(luò)獲得了理想的播音信號(hào)識(shí)別，播音信號(hào)識(shí)別正確率要高于當(dāng)前其他播音信號(hào)識(shí)別技術(shù)，減少了播音信號(hào)的誤識(shí)率，縮短了播音信號(hào)識(shí)別的時(shí)間，提升了播音信號(hào)識(shí)別速度，具有較高的實(shí)際應(yīng)用價(jià)值。

關(guān)鍵詞： 播音信號(hào); 信號(hào)識(shí)別; 模糊神經(jīng)網(wǎng)絡(luò); 奇異值分解算法; 識(shí)別特征; 識(shí)別速度

中圖分類(lèi)號(hào)： TN911.73?34; TP391? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2020）03?0054?04

Research on broadcast signal recognition technology based on fuzzy neural network

HE Yanping

（School of Literature and Journalism， Baoji University of Arts and Sciences， Baoji 721013， China）

Abstract： Broadcasting signal recognition is of great significance to improve the quality of broadcasting. At present， there are some shortcomings in the methods of broadcasting signal recognition， such as high misrecognition rate and low recognition efficiency. In order to obtain better results of broadcasting signal recognition， a broadcasting signal recognition technology based on fuzzy neural network is designed. Firstly， the research progress of the current broadcasting signal recognition technologies is analyzed， and the shortcomings of various broadcasting signal recognition technologies are pointed out. Then， the spatial transformation and singular value decomposition algorithm are used to extract the recognition features of broadcasting signals， and the fuzzy neural network is used to establish the recognition classifier of broadcasting signals. Finally， the simulation experiment of the broadcasting signals is performed on the platform of Matlab 2017. The simulation results show that the broadcast signal recognition technology based on fuzzy neural network achieves ideal recognition of broadcasting signals， and its correct recognition rate of broadcasting signals is higher than that of other current recognition technologies. It reduces the error recognition rate of broadcasting signals， shortens the recognition time of broadcasting signals， and improves the recognition speed of broadcasting signals， which proves that it has a high practical application value.

Keywords： broadcast signal; signal recognition; fuzzy neural network; singular value decomposition algorithm; recognition feature; recognition speed

0? 引? 言

隨著我國(guó)經(jīng)濟(jì)的不斷發(fā)展，人們收聽(tīng)播音節(jié)目的手段和方式越來(lái)越多，如手機(jī)、電視、電腦等，它們對(duì)播音信號(hào)的質(zhì)量要求越來(lái)越高，因此播音信號(hào)識(shí)別技術(shù)的研究引起了人們的高度重視和關(guān)注[1?3]。

多年來(lái)，許多學(xué)者對(duì)播音信號(hào)識(shí)別問(wèn)題進(jìn)行了深入的研究，提出了許多播音信號(hào)識(shí)別技術(shù)[4?7]。傳統(tǒng)方法主要包括：改進(jìn)子空間匹配追蹤導(dǎo)波的信號(hào)識(shí)別技術(shù)、基于同源性檢驗(yàn)的信號(hào)識(shí)別技術(shù)、基于對(duì)信號(hào)功率譜擬合的信號(hào)識(shí)別方法等[8?10]，它們有自己的應(yīng)用領(lǐng)域，但是它們具有比較明顯的缺陷，如通用性差、不易實(shí)現(xiàn)，誤識(shí)率比較高。近幾年來(lái)，有學(xué)者提出了基于BP神經(jīng)網(wǎng)絡(luò)的信號(hào)識(shí)別方法、基于支持向量機(jī)的信號(hào)識(shí)別方法，其信號(hào)識(shí)別結(jié)果要優(yōu)于傳統(tǒng)方法，但是在實(shí)際應(yīng)用中，BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、識(shí)別時(shí)間長(zhǎng)、支持向量機(jī)的信號(hào)識(shí)別效率低[11?13]。

為了獲得更優(yōu)的播音信號(hào)識(shí)別結(jié)果，設(shè)計(jì)了基于模糊神經(jīng)網(wǎng)絡(luò)的播音信號(hào)識(shí)別技術(shù)，并通過(guò)具體語(yǔ)音信號(hào)識(shí)別仿真實(shí)驗(yàn)驗(yàn)證了其有效性和優(yōu)越性。

1? 模糊神經(jīng)網(wǎng)絡(luò)的播音信號(hào)識(shí)別技術(shù)

1.1? 播音信號(hào)的預(yù)處理

由于原始播音信號(hào)變化十分復(fù)雜，為此首先對(duì)其進(jìn)行預(yù)處理，便于后面播音信號(hào)特征提取，本文采用空間變換技術(shù)中的[S]變換算法。對(duì)于連續(xù)播音信號(hào)[h（t）]，連續(xù)[S]變換定義為：

式中：[f]為頻率;[τ]為窗函數(shù)中心點(diǎn)。

[w（t，f）]表示[S]變換算法的高斯窗函數(shù)，對(duì)于變換窗函數(shù)需要滿(mǎn)足歸一化條件：

逆變換為：

由于播音信號(hào)識(shí)別都在電腦中完成，因此需要將連續(xù)的播音信號(hào)進(jìn)行離散化處理，得到離散化的播音信號(hào)為[H（kT），? k=0，1，2，…，N]，離散[S]變換為：

離散化的播音信號(hào)[H（kT）]經(jīng)過(guò)[S]變換后，得到了其幅值和相位信息，它們組成一個(gè)矩陣，分別采用行向量和列向量表示。離散[S]變換算法的逆變換為：

采用[S]變換算法對(duì)原始播音信號(hào)進(jìn)行處理后，可以消除其中的噪聲，將非平穩(wěn)信號(hào)變?yōu)槠椒€(wěn)信號(hào)，改善播音信號(hào)質(zhì)量。

1.2? 提取播音信號(hào)的特征

采用奇異值分解算法提取播音信號(hào)的特征。[A]表示一個(gè)實(shí)矩陣，可以分解為兩個(gè)正交矩陣[Um×m]和[Vn×n]，則有：

奇異熵可以對(duì)播音信號(hào)的信息量、信息組成進(jìn)行描述，在此本文采用奇異熵播音信號(hào)的特征，奇異熵計(jì)算公式為：

式中：[λmax]和[λsum]分別為奇異值的最大值與和。

1.3? 模糊算法

設(shè)共有[c]類(lèi)播音信號(hào)，有[m]個(gè)識(shí)別特征，[m]個(gè)識(shí)別特征和對(duì)應(yīng)的[c]類(lèi)播音信號(hào)構(gòu)成如下矩陣[14]：

式中[yij]為第[i]個(gè)識(shí)別特征的第[j]類(lèi)識(shí)別值。

設(shè)有[n]個(gè)待識(shí)別的播音信號(hào)樣本，那么待識(shí)別矩陣為[X]：

由于播音信號(hào)識(shí)別結(jié)果具有一定的模糊性，采用隸屬度描述播音信號(hào)的模糊程度，第[i]個(gè)特征的第1類(lèi)播音信號(hào)的相對(duì)隸屬度為[Pi1=0]，[c]播音信號(hào)的相對(duì)隸屬度[Pic=1]，那么處于[1～c]間的第[i]項(xiàng)特征的第[j]類(lèi)的相對(duì)錄屬度[Pij]計(jì)算公式為：

對(duì)于各個(gè)待識(shí)別播音信號(hào)，其特征的相對(duì)隸屬度確定方式為：如果[rikyic]，那么[rik=]1;處于[yi1]～[yic]時(shí)，[rij]計(jì)算公式為：

那么，可以建立標(biāo)準(zhǔn)特征和待識(shí)別樣本相對(duì)隸屬度矩陣[p]和[R]，具體如下：

1.4? 神經(jīng)網(wǎng)絡(luò)

本文選擇BP神經(jīng)網(wǎng)絡(luò)建立播音信號(hào)識(shí)別的分類(lèi)器。神經(jīng)網(wǎng)絡(luò)第[q]層的神經(jīng)元個(gè)數(shù)為[nq]，第[q]層、第[i]個(gè)神經(jīng)元的權(quán)重系數(shù)為[wqij]，則輸入輸出變換關(guān)系為[15]：

1.5? 模糊神經(jīng)網(wǎng)絡(luò)的播音信號(hào)識(shí)別原理

基于模糊神經(jīng)網(wǎng)絡(luò)的播音信號(hào)識(shí)別原理為：首先采用空間變換對(duì)原始播音信號(hào)進(jìn)行處理，去除播音信號(hào)中的噪聲，使播音信號(hào)更加平衡，然后通過(guò)奇異值分解算法提取播音信號(hào)的奇異熵作為識(shí)別特征，最后采用模糊神經(jīng)網(wǎng)絡(luò)建立播音信號(hào)識(shí)別分類(lèi)器，具體如圖1所示。

2? 播音信號(hào)識(shí)別性能測(cè)試

2.1? 測(cè)試平臺(tái)

為了分析模糊神經(jīng)網(wǎng)絡(luò)的播音信號(hào)識(shí)別效果，采用Matlab 2017作為測(cè)試仿真平臺(tái)，采用5種類(lèi)型的播音信號(hào)作為測(cè)試對(duì)象，每一種播音信號(hào)的樣本數(shù)量如表1所示。為了分析模糊神經(jīng)網(wǎng)絡(luò)的播音信號(hào)識(shí)別優(yōu)越性，在相同測(cè)試平臺(tái)下，采用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的播音信號(hào)識(shí)別技術(shù)、支持向量機(jī)的播音信號(hào)識(shí)別技術(shù)進(jìn)行對(duì)比實(shí)驗(yàn)，采用播音信號(hào)識(shí)別正確率、播音信號(hào)的誤識(shí)率、播音信號(hào)識(shí)別時(shí)間作為評(píng)價(jià)指標(biāo)，分析它們的優(yōu)劣。

2.2? 播音信號(hào)識(shí)別結(jié)果分析

統(tǒng)計(jì)3種播音信號(hào)識(shí)別技術(shù)的識(shí)別正確率和誤識(shí)率，分別如圖2和圖3所示。從圖2和圖3可以看出：

1） BP神經(jīng)網(wǎng)絡(luò)的識(shí)別正確率和誤識(shí)率平均值分別為83.92%和16.08%，而且播音信號(hào)識(shí)別結(jié)果不穩(wěn)定，個(gè)別類(lèi)型的播音信號(hào)識(shí)別正確率極低，這主要是因?yàn)锽P神經(jīng)網(wǎng)絡(luò)存在過(guò)擬合的缺陷，無(wú)法獲得理想的播音信號(hào)識(shí)別結(jié)果。

2） 支持向量機(jī)神經(jīng)網(wǎng)絡(luò)的識(shí)別正確率和誤識(shí)率平均值分別為90.81%和9.19%，播音信號(hào)識(shí)別結(jié)果要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，這主要是因?yàn)橹С窒蛄繖C(jī)克服了BP神經(jīng)網(wǎng)絡(luò)的過(guò)擬合缺陷，獲得了更優(yōu)的播音信號(hào)識(shí)別結(jié)果。

3） 模糊神經(jīng)網(wǎng)絡(luò)的識(shí)別正確率和誤識(shí)率平均值分別為95.06%和4.94%，播音信號(hào)識(shí)別結(jié)果明顯好于BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)，克服了當(dāng)前播音信號(hào)識(shí)別技術(shù)存在的局限性，降低了誤識(shí)率，獲得了理想的播音信號(hào)識(shí)別結(jié)果。

2.3? 播音信號(hào)識(shí)別效率分析

統(tǒng)計(jì)3種播音信號(hào)識(shí)別技術(shù)的識(shí)別時(shí)間，結(jié)果如圖4所示。

從圖4可以看出，模糊神經(jīng)網(wǎng)絡(luò)的播音信號(hào)識(shí)別時(shí)間要明顯少于BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)，加快了播音信號(hào)的識(shí)別速度。

3? 結(jié)? 語(yǔ)

信號(hào)識(shí)別是播音領(lǐng)域一個(gè)重要的研究方向，為了提高播音信號(hào)識(shí)別正確率，設(shè)計(jì)了基于模糊神經(jīng)網(wǎng)絡(luò)的播音信號(hào)識(shí)別技術(shù)。在Matlab 2017平臺(tái)上與其他方法進(jìn)行了播音信號(hào)識(shí)別對(duì)比實(shí)驗(yàn)，結(jié)果表明，模糊神經(jīng)網(wǎng)絡(luò)的播音信號(hào)識(shí)別正確率要高于對(duì)比技術(shù)，提升了播音信號(hào)識(shí)別效率，實(shí)際應(yīng)用價(jià)值更高。

參考文獻(xiàn)

[1] 翁佳.智能語(yǔ)音技術(shù)對(duì)播音主持專(zhuān)業(yè)與行業(yè)影響探究[J].電視研究，2017（12）：57?59.

[2] 陳竹，林妤.基于藝術(shù)符號(hào)論的播音情感新探[J].現(xiàn)代傳播（中國(guó)傳媒大學(xué)學(xué)報(bào)），2018，40（2）：164?165.

[3] 戰(zhàn)迪.傳媒藝術(shù)視野中播音主持多質(zhì)性主調(diào)的重建[J].現(xiàn)代傳播（中國(guó)傳媒大學(xué)學(xué)報(bào)），2017，39（2）：103?105.

[4] 黃瑩，郝新紅，孔志杰，等.基于熵特征的調(diào)頻引信目標(biāo)與干擾信號(hào)識(shí)別[J].兵工學(xué)報(bào)，2017，38（2）：254?260.

[5] 帥師，王翦，吳紅艷，等.一種分布式光纖傳感系統(tǒng)的信號(hào)識(shí)別方法[J].復(fù)旦學(xué)報(bào)（自然科學(xué)版），2018，57（5）：611?618.

[6] 劉瑩，單洪，胡以華，等.基于雙譜二次特征的通信信號(hào)識(shí)別算法研究[J].計(jì)算機(jī)應(yīng)用研究，2017，34（6）：1835?1837.

[7] 申傳俊，王悅民，徐海成，等.改進(jìn)的子空間匹配追蹤導(dǎo)波信號(hào)識(shí)別方法[J].華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，40（8）：39?43.

[8] 許春香，許海濤，林偉國(guó).基于同源性檢驗(yàn)的干擾信號(hào)識(shí)別方法[J].傳感器與微系統(tǒng)，2019，38（1）：36?40.

[9] 田昊旻，尹良，馬躍，等.基于對(duì)信號(hào)功率譜擬合特征提取的信號(hào)識(shí)別方法[J].北京郵電大學(xué)學(xué)報(bào)，2018，41（2）：114?118.

[10] 張海川，雷迎科.基于MUSIC算法的OFDM信號(hào)識(shí)別方法[J].計(jì)算機(jī)科學(xué)，2017，44（3）：114?117.

[11] 董庭亮，唐向宏，馬丹丹，等.基于支持向量機(jī)的小波包調(diào)制信號(hào)識(shí)別[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（18）：223?226.

[12] 朱兆彤，鄒哲光，許肖梅，等.基于BP神經(jīng)網(wǎng)絡(luò)的海洋聲學(xué)儀器信號(hào)識(shí)別方法[J].廈門(mén)大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，51（4）：709?713.

[13] 鄧?yán)砦模瑒攒?基于模糊神經(jīng)網(wǎng)絡(luò)的智能火災(zāi)探測(cè)方法研究[J].消防科學(xué)與技術(shù)，2019，38（4）：522?525.

[14] 李彥瑾，羅霞.基于模糊神經(jīng)網(wǎng)絡(luò)的混合交通流路阻測(cè)算模型[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2019，49（1）：53?59.

[15] 金陽(yáng)忻.基于模糊神經(jīng)網(wǎng)絡(luò)的電能表誤差超差風(fēng)險(xiǎn)預(yù)測(cè)模型[J].電網(wǎng)技術(shù)，2019，43（6）：1962?1968.