基于非單調(diào)共軛梯度算法的聲紋識(shí)別機(jī)器人控制系統(tǒng)設(shè)計(jì)

吳俊杰

(泉州信息工程學(xué)院，福建 泉州 362000)

0 引言

隨著現(xiàn)代科技技術(shù)的飛速進(jìn)步，各類(lèi)識(shí)別技術(shù)也在不斷發(fā)展，識(shí)別技術(shù)作為新興技術(shù)，在各個(gè)領(lǐng)域都發(fā)揮著自己的作用。聲紋識(shí)別與人臉識(shí)別、虹膜識(shí)別和指紋識(shí)別的性質(zhì)相同，都是利用生物特征對(duì)生物的身份進(jìn)行認(rèn)證。相比于其它識(shí)別技術(shù)，聲紋識(shí)別技術(shù)的成本更低，更容易被用戶(hù)接受，且在使用聲紋技術(shù)時(shí)，用戶(hù)不需要在額外使用隱私信息，整個(gè)過(guò)程安全可靠，通過(guò)動(dòng)態(tài)碼來(lái)防止各種信息被篡改，使錄音能夠更加完好地被拼接到一起[1]。在移動(dòng)支付、智能硬件等領(lǐng)域，聲紋識(shí)別系統(tǒng)都有所應(yīng)用[2]。

聲紋識(shí)別系統(tǒng)內(nèi)部擁有聲紋識(shí)別引擎，能夠?qū)?shù)據(jù)進(jìn)行管理和存儲(chǔ)，由于聲紋識(shí)別系統(tǒng)愈來(lái)愈受到人們關(guān)注，所以更多的學(xué)者投入到聲紋識(shí)別系統(tǒng)的研究中[3]。目前主要應(yīng)用的研究方法有基于線性預(yù)測(cè)倒普系數(shù)的聲紋識(shí)別預(yù)測(cè)方法和基于梅爾頻率倒譜系數(shù)的聲紋識(shí)別預(yù)測(cè)方法[4]。

在眾多優(yōu)化方法中，共軛梯度算法是最常見(jiàn)的優(yōu)化算法之一，該算法計(jì)算簡(jiǎn)單，對(duì)存儲(chǔ)量的要求較少，在大規(guī)模優(yōu)化問(wèn)題中，共軛梯度算法的效果最為顯著。共軛梯度算法的收斂速度要遠(yuǎn)遠(yuǎn)快于其它算法，共軛梯度算法來(lái)源于共軛性質(zhì)，從1936年至今，該算法已經(jīng)有近百年的歷史，在很多方面都已經(jīng)相當(dāng)成熟[5]。

綜上所述，本文基于非單調(diào)共軛梯度算法設(shè)計(jì)了一種聲紋識(shí)別機(jī)器人控制系統(tǒng)，通過(guò)加入多種傳感器實(shí)現(xiàn)遠(yuǎn)距離控制，利用四自由度的AS-MRobotE機(jī)器人平臺(tái)到的軟件編程接口設(shè)計(jì)實(shí)時(shí)控制系統(tǒng)，設(shè)計(jì)新的控制界面，從而更好地操控客戶(hù)端和服務(wù)器端[6]。

1 基于非單調(diào)共軛梯度算法的聲紋識(shí)別機(jī)器人控制系統(tǒng)硬件設(shè)計(jì)

目前研究的聲紋識(shí)別系統(tǒng)技術(shù)越來(lái)越先進(jìn)，因此在設(shè)計(jì)聲紋識(shí)別機(jī)器人控制系統(tǒng)時(shí)，必須要充分使用計(jì)算機(jī)技術(shù)，利用互聯(lián)網(wǎng)控制系統(tǒng)的整體運(yùn)行，從而提高控制系統(tǒng)的穩(wěn)定性、可靠性和實(shí)時(shí)性[7]。對(duì)于聲紋識(shí)別機(jī)器人控制系統(tǒng)來(lái)說(shuō)，穩(wěn)定性和可靠性是確保整個(gè)系統(tǒng)正常運(yùn)行的關(guān)鍵。Linux具有性能穩(wěn)定的優(yōu)點(diǎn)，因此本文將其應(yīng)用到控制系統(tǒng)中，用來(lái)確?？刂葡到y(tǒng)能夠穩(wěn)定運(yùn)行。由于系統(tǒng)內(nèi)部加入了大量由Windows平臺(tái)開(kāi)發(fā)的軟件程序，因此系統(tǒng)也加入了Windows，將Windows和Linux一同使用，可以很好地提升配置資源的合理性，提高系統(tǒng)的工作性能[8]?；诜菃握{(diào)共軛梯度算法的聲紋識(shí)別機(jī)器人控制系統(tǒng)硬件結(jié)構(gòu)圖如圖1所示。

圖1 聲紋識(shí)別機(jī)器人控制系統(tǒng)硬件結(jié)構(gòu)圖

1.1 BioVoice 2.0標(biāo)準(zhǔn)聲紋采集器

在聲紋識(shí)別機(jī)器人控制系統(tǒng)中加入采集器，用來(lái)進(jìn)行聲紋識(shí)別，理解能夠反映說(shuō)話(huà)人生理和行為特征的語(yǔ)音參數(shù)，從而確定說(shuō)話(huà)人的身份[9]。由于每個(gè)人的發(fā)聲器官在尺寸和形態(tài)上有所差異，所以聲紋也會(huì)有所差異，因此利用聲紋可以很好地鑒定出說(shuō)話(huà)人的身份[10]。

使用的聲紋識(shí)別采集器為BioVoice 2.0 標(biāo)準(zhǔn)聲紋采集器，該聲紋識(shí)別采集器不僅能夠采集語(yǔ)音，提取聲紋特征，同時(shí)也會(huì)根據(jù)提取的聲紋特征建立模型庫(kù)，比對(duì)待識(shí)別的語(yǔ)音與所建立的模型庫(kù)中的語(yǔ)音，從而更好地完成識(shí)別[11]。聲紋識(shí)別采集器能夠執(zhí)行兩個(gè)任務(wù)：聲紋采集、聲紋建模。

聲紋識(shí)別采集器與數(shù)據(jù)庫(kù)緊密連接，在確保采集的參數(shù)數(shù)據(jù)是準(zhǔn)確的后，與數(shù)據(jù)庫(kù)對(duì)比，在不同設(shè)備和不同信道上得到的聲紋數(shù)據(jù)質(zhì)量不同，這會(huì)直接影響算法模型的準(zhǔn)確性，降低識(shí)別準(zhǔn)確率[12]。因此選擇的聲紋采集器要能夠有效克服由于信道差異而帶來(lái)的識(shí)別結(jié)果誤差，利用多個(gè)通道同時(shí)進(jìn)行錄音，從而提高采集精度，在采集時(shí)，要充分分析采集內(nèi)容是否完整，標(biāo)準(zhǔn)的聲紋采集器可以為后續(xù)的聲紋識(shí)別、聲紋鑒定和聲紋比對(duì)打下堅(jiān)實(shí)的基礎(chǔ)[13]。

BioVoice 2.0 標(biāo)準(zhǔn)聲紋采集器內(nèi)部擁有智能化麥克風(fēng)集群，既能夠單向拾音，也能夠雙向拾音，內(nèi)部加入了多種文本采集方式，以配套的方式獲得聲紋信息，在填入多標(biāo)簽后加入數(shù)據(jù)庫(kù)，分類(lèi)存儲(chǔ)，從而實(shí)現(xiàn)實(shí)時(shí)檢索[14]。采集器支持連續(xù)性創(chuàng)建采集，可批量入庫(kù)，從而縮小被采集的數(shù)據(jù)入庫(kù)的時(shí)間，確保采集的內(nèi)容真實(shí)完整，提高聲紋采集的工作效率[15]。

BioVoice 2.0 標(biāo)準(zhǔn)聲紋采集器在設(shè)計(jì)時(shí)嚴(yán)格遵照《聲紋數(shù)據(jù)采集終端技術(shù)要求》，通過(guò)聲紋識(shí)別可以1：1確定身份，實(shí)現(xiàn)聲音辨認(rèn)。

1.2 聲紋數(shù)據(jù)采集終端

為了更好地實(shí)現(xiàn)聲紋數(shù)據(jù)采集，本文同時(shí)引用了兩個(gè)聲紋數(shù)據(jù)采集終端，型號(hào)分別是TMC104-B和TMC104。

TMC104-B聲紋數(shù)據(jù)采集終端的陣列單元為4MES麥克風(fēng)，能夠頻響的有效范圍為100～8 000 Hz，使用的輸出接口有兩個(gè)，分別是USB出口和模擬音頻輸出(AUX)出口，采用的輸出聲道為雙聲道，能夠進(jìn)行語(yǔ)音識(shí)別的有效范圍為5 m，靈敏度超過(guò)60 mV/Pa，本機(jī)噪聲級(jí)小于30 dB，信噪比大于60 dB。在以1 000 Hz的正弦波信號(hào)為參考時(shí)，TMC104-B聲紋數(shù)據(jù)采集終端在低于±45°正面入射角的范圍內(nèi)，聲壓級(jí)會(huì)從-7 dBFS降低到-9 dBFS；當(dāng)超過(guò)±60°正面入射角的范圍內(nèi)，聲壓級(jí)會(huì)從-12 dBFS降低到-14 dBFS；當(dāng)超過(guò)±90°反面入射角的范圍內(nèi)，聲壓級(jí)會(huì)從-12 dBFS降低到-14 dBFS，被識(shí)別人所對(duì)應(yīng)的音頻沒(méi)有輸出信號(hào)，因此可以從指定聲道得到音頻信號(hào)。

TMC104聲紋數(shù)據(jù)采集終端靈敏度超過(guò)60 mV/pa，本機(jī)噪聲級(jí)小于36 dB，信噪比大于30 dB，能夠頻響的有效范圍為50～8 000 Hz，波形失真度低于7%，TMC104聲紋數(shù)據(jù)采集終端具有低中高多級(jí)噪聲抑制功能，以入網(wǎng)管理的方式管理各種數(shù)據(jù)，采集的語(yǔ)音格式為Windows PCM WAV，以單聲道的方式輸入，16位量化精度，采集終端的采樣率16 kHz，能夠?qū)崿F(xiàn)靜音段檢測(cè)、信噪比檢測(cè)、有效時(shí)長(zhǎng)檢測(cè)、截幅比例檢測(cè)、平均能量檢測(cè)、是否多人說(shuō)話(huà)檢測(cè)功能。

在以1 000 Hz的正弦波信號(hào)為參考時(shí)，TMC104B聲紋數(shù)據(jù)采集終端的性質(zhì)與TMC104-B聲紋數(shù)據(jù)采集終端完全一致。引入兩個(gè)終端后，系統(tǒng)在執(zhí)行語(yǔ)音信號(hào)處理、聲紋特征提取、聲紋建模、聲紋比對(duì)、判別決策等任務(wù)后，執(zhí)行能力更強(qiáng)，在截取蘊(yùn)含聲紋特征的語(yǔ)音時(shí)，更加方便自然，使用的獲取設(shè)備成本更低。

1.3 控制機(jī)器人

本文使用的機(jī)器人由上海廣茂達(dá)公司生產(chǎn)，型號(hào)為AS-MrobotR，該機(jī)器人為智能型機(jī)器人，能夠與BioVoice 2.0 標(biāo)準(zhǔn)聲紋采集器、TMC104-B和TMC104聲紋數(shù)據(jù)采集終端很好地配合。AS-MRobotR模塊化機(jī)器人內(nèi)部擁有領(lǐng)先于世界的機(jī)器人技術(shù)，具有可重構(gòu)、全開(kāi)放、安全可靠的特性，相較于進(jìn)口版的AS-MRobot系列機(jī)器人，AS-MRobotR模塊化機(jī)器人的性加密更高，應(yīng)用AS-MRobotR模塊化機(jī)器人系統(tǒng)，可以制造工業(yè)機(jī)器人、類(lèi)人機(jī)器人、步行機(jī)器人、蛇行機(jī)器人。全開(kāi)放的架構(gòu)體系，使機(jī)器人可以被重構(gòu)。在軟件中選用的操作系統(tǒng)為Windows 2000/XP，使用的開(kāi)發(fā)工具為VC，機(jī)器人底層的控制工具系統(tǒng)設(shè)定為開(kāi)放系統(tǒng)，用戶(hù)可以隨時(shí)操作機(jī)器人底層，引入新的控制算法。在底層的控制系統(tǒng)中加入精確運(yùn)動(dòng)控制模塊，該控制模塊擁有2000線高精度編碼器和電機(jī)電流傳感器，對(duì)于機(jī)器人的運(yùn)動(dòng)速度、加速度、夾持力和終點(diǎn)位置都有著很強(qiáng)的控制能力，確保機(jī)器人能夠按照規(guī)定路徑精確行走。

在AS-MrobotR機(jī)器人內(nèi)部還加入了多個(gè)可擴(kuò)展的配件，主要配件為全景攝像機(jī)、數(shù)字羅盤(pán)和力矩傳感器，使用CAN總線進(jìn)行通訊，設(shè)定CAN總線使用電壓為直流電壓，電壓值為24 V，在應(yīng)用CAN總線進(jìn)行通訊后，通訊產(chǎn)品可直接連接移動(dòng)機(jī)器人AS-R/RF/RE，與其進(jìn)行配合。

2 基于非單調(diào)共軛梯度算法的聲紋識(shí)別機(jī)器人控制系統(tǒng)應(yīng)用程序設(shè)計(jì)

為了更好地控制本文使用的AS-MrobotR機(jī)器人，在Windows平臺(tái)下使用C/C+語(yǔ)言研究了一種專(zhuān)用的程序，在程序內(nèi)部添加mde-api數(shù)據(jù)庫(kù)，從而提高控制效果。AS-MrobotR機(jī)器人在VC++和OpenGL平臺(tái)上進(jìn)行開(kāi)發(fā)，機(jī)器人內(nèi)部設(shè)計(jì)的控制系統(tǒng)同時(shí)具有仿真能力和控制能力。

基于非單調(diào)共軛梯度算法的聲紋識(shí)別機(jī)器人控制系統(tǒng)應(yīng)用程序分為兩個(gè)程序，分別是訓(xùn)練程序、識(shí)別程序，在訓(xùn)練程序中，系統(tǒng)建立基本的聲學(xué)模型，各基本單元都在訓(xùn)練程序中設(shè)立，在識(shí)別程序中，將采集到的聲音特征參數(shù)按照一定的標(biāo)準(zhǔn)與系統(tǒng)模型進(jìn)行對(duì)比，從而獲得更加精準(zhǔn)地識(shí)別模型?；诜菃握{(diào)共軛梯度算法的聲紋識(shí)別機(jī)器人控制系統(tǒng)應(yīng)用程序工作流程如圖2所示。

圖2 聲紋識(shí)別機(jī)器人控制系統(tǒng)應(yīng)用程序工作流程

利用麥克風(fēng)采集聲紋特征數(shù)據(jù)，將采集到的聲紋特征數(shù)據(jù)上傳給系統(tǒng)，使用計(jì)算機(jī)聲卡對(duì)數(shù)據(jù)，使用A/D轉(zhuǎn)換，將得到的語(yǔ)音原始數(shù)據(jù)存儲(chǔ)起來(lái)，對(duì)端點(diǎn)進(jìn)行檢測(cè)，從而得到有效語(yǔ)音信號(hào)的起始點(diǎn)和終點(diǎn)。

在完成語(yǔ)音信號(hào)預(yù)處理后，進(jìn)行特征提取，在短時(shí)語(yǔ)音幀中確定出有用的信號(hào)，使用的提取方法為非單調(diào)共軛梯度算法，該算法能夠很好地求解出線性方程組和線性非方程組的數(shù)值，在給定初始量后，確定出代數(shù)特征值。由客戶(hù)機(jī)和服務(wù)器端啟動(dòng)控制工作，客戶(hù)機(jī)和服務(wù)器端的通訊過(guò)程如圖3所示。

圖3 客戶(hù)機(jī)和服務(wù)器端通訊過(guò)程

本文使用的Windows和Linux兩個(gè)操控系統(tǒng)都支持TCP協(xié)議，因此采用標(biāo)準(zhǔn)的socket就可以調(diào)用，在對(duì)socket進(jìn)行編程時(shí)，客戶(hù)機(jī)/服務(wù)器會(huì)采用主動(dòng)請(qǐng)求的方式了解信息，由Linux系統(tǒng)確定客戶(hù)機(jī)的傳送指令，由Windows系統(tǒng)的服務(wù)器來(lái)接收指令。

3 實(shí)驗(yàn)研究

3.1 實(shí)驗(yàn)?zāi)康?/h3>

為檢測(cè)本文基于非單調(diào)共軛梯度算法設(shè)計(jì)的聲紋識(shí)別機(jī)器人控制系統(tǒng)，與傳統(tǒng)聲紋識(shí)別控制系統(tǒng)進(jìn)行實(shí)驗(yàn)對(duì)比，驗(yàn)證系統(tǒng)的有效性。

3.2 實(shí)驗(yàn)參數(shù)

該實(shí)驗(yàn)的實(shí)驗(yàn)參數(shù)如表1所示。

3.3 實(shí)驗(yàn)結(jié)果與分析

根據(jù)上述參數(shù)，選擇本文的系統(tǒng)和傳統(tǒng)系統(tǒng)各自進(jìn)行識(shí)別，識(shí)別次數(shù)為10次，識(shí)別環(huán)境分別為無(wú)噪聲環(huán)境、白噪聲環(huán)境、汽車(chē)噪聲環(huán)境、工廠噪聲環(huán)境以及F16機(jī)噪聲環(huán)境，對(duì)識(shí)別結(jié)果進(jìn)行統(tǒng)計(jì)。在無(wú)噪聲情況下得到的實(shí)驗(yàn)結(jié)果如圖4所示。

表1 測(cè)試實(shí)驗(yàn)應(yīng)用參數(shù)

圖4 無(wú)噪聲下實(shí)驗(yàn)結(jié)果對(duì)比圖

分析圖4可知，本文研究的數(shù)字語(yǔ)音信號(hào)共有9個(gè)，在針對(duì)0～9的數(shù)字語(yǔ)音信號(hào)進(jìn)行識(shí)別時(shí)，本文研究的聲紋識(shí)別機(jī)器人控制系統(tǒng)的控制能力始終高于傳統(tǒng)系統(tǒng)，因此控制的聲音識(shí)別準(zhǔn)確率要始終高于傳統(tǒng)系統(tǒng)，整個(gè)系統(tǒng)運(yùn)行的穩(wěn)定性也要更高。

在有噪聲情況下進(jìn)行測(cè)試，設(shè)定噪聲的信噪比在0～45 dB之間，得到的實(shí)驗(yàn)結(jié)果如圖5所示。

圖5 有噪聲下實(shí)驗(yàn)結(jié)果對(duì)比圖

針對(duì)有噪聲進(jìn)行詳細(xì)實(shí)驗(yàn)研究，分別在白噪聲環(huán)境、汽車(chē)噪聲環(huán)境、工廠噪聲環(huán)境以及F16機(jī)噪聲環(huán)境進(jìn)行識(shí)別，得到的識(shí)別結(jié)果記錄如下。

在白噪聲情況下，對(duì)傳統(tǒng)系統(tǒng)和本文系統(tǒng)進(jìn)行測(cè)試，白噪聲的信噪比在0～45 dB之間，得到的實(shí)驗(yàn)結(jié)果如圖6所示。

圖6 白噪聲下實(shí)驗(yàn)結(jié)果對(duì)比圖

分析圖6可知，當(dāng)信噪比為10 dB時(shí)，傳統(tǒng)系統(tǒng)的識(shí)別準(zhǔn)確率為74.2%，本文系統(tǒng)的識(shí)別準(zhǔn)確率為70.3%；當(dāng)信噪比為20 dB時(shí)，傳統(tǒng)系統(tǒng)的識(shí)別準(zhǔn)確率為69.1%，本文系統(tǒng)的識(shí)別準(zhǔn)確率為94.8%；當(dāng)信噪比為30 dB時(shí)，傳統(tǒng)系統(tǒng)的識(shí)別準(zhǔn)確率為81.3%，本文系統(tǒng)的識(shí)別準(zhǔn)確率為75.1%；當(dāng)信噪比為40 dB時(shí)，傳統(tǒng)系統(tǒng)的識(shí)別準(zhǔn)確率為64.4%，本文系統(tǒng)的識(shí)別準(zhǔn)確率為91.7%。由上述數(shù)據(jù)可知，在不同信噪比下，本文設(shè)計(jì)的系統(tǒng)和傳統(tǒng)系統(tǒng)的識(shí)別準(zhǔn)確率是有所波動(dòng)的，但是從整體來(lái)看，基于非單調(diào)共軛梯度算法設(shè)計(jì)的聲紋識(shí)別機(jī)器人控制系統(tǒng)識(shí)別準(zhǔn)確率要高于傳統(tǒng)控制系統(tǒng)。

在汽車(chē)噪聲情況下進(jìn)行測(cè)試，汽車(chē)噪聲的信噪比在0～45 dB之間，得到的實(shí)驗(yàn)結(jié)果如圖7所示。

圖7 汽車(chē)噪聲下實(shí)驗(yàn)結(jié)果對(duì)比圖

分析圖7可知，兩個(gè)系統(tǒng)都屬于比較平穩(wěn)的狀態(tài)。隨著信噪比的增加，本文系統(tǒng)的識(shí)別準(zhǔn)確率和傳統(tǒng)系統(tǒng)的識(shí)別準(zhǔn)確率逐漸增加，當(dāng)信噪比為45 dB時(shí)，傳統(tǒng)系統(tǒng)的識(shí)別準(zhǔn)確率為78%，本文控制系統(tǒng)的識(shí)別準(zhǔn)確率為90%。

在工廠噪聲情況下進(jìn)行測(cè)試，得到的實(shí)驗(yàn)結(jié)果如圖8所示。

圖8 工廠噪聲下實(shí)驗(yàn)結(jié)果對(duì)比圖

由于工廠環(huán)境復(fù)雜，所以在識(shí)別噪聲過(guò)程中，波動(dòng)性比較大，平穩(wěn)性不高，綜合來(lái)看，本文系統(tǒng)的識(shí)別準(zhǔn)確率依舊高于傳統(tǒng)識(shí)別控制系統(tǒng)。

在F16機(jī)噪聲情況下進(jìn)行測(cè)試，得到的實(shí)驗(yàn)結(jié)果如圖9所示。

圖9 F16機(jī)噪聲下實(shí)驗(yàn)結(jié)果對(duì)比圖

觀察圖9，在F16機(jī)噪聲下，傳統(tǒng)識(shí)別機(jī)器人控制系統(tǒng)的工作狀態(tài)十分不穩(wěn)定，工作中的波動(dòng)性極高，而本文系統(tǒng)獲取信息的識(shí)別率更高，性能也更好。

綜合上述結(jié)果可知，在存在噪聲和不存在噪聲兩種情況下，本文研究的系統(tǒng)控制能力都要優(yōu)于傳統(tǒng)系統(tǒng)，噪聲魯棒性更好，性能更加平穩(wěn)。

4 結(jié)束語(yǔ)

本文設(shè)計(jì)的聲紋識(shí)別機(jī)器人控制系統(tǒng)同時(shí)使用了操作廣泛的Windows系統(tǒng)和穩(wěn)定可靠的Linux系統(tǒng)作為平臺(tái)，在語(yǔ)音識(shí)別技術(shù)和網(wǎng)絡(luò)通信技術(shù)的支持下，實(shí)現(xiàn)控制，提高控制的精準(zhǔn)性。相較于傳統(tǒng)控制系統(tǒng)，本文的控制系統(tǒng)更加容易實(shí)現(xiàn)，且識(shí)別率更高，性?xún)r(jià)比高，通用型好，開(kāi)放性強(qiáng)，可擴(kuò)展能力高，從整體來(lái)看，設(shè)計(jì)的控制系統(tǒng)具有很強(qiáng)的市場(chǎng)競(jìng)爭(zhēng)力，在未來(lái)可以大力發(fā)展，擴(kuò)大應(yīng)用范圍。