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

何艷萍

摘? 要： 播音信號識別對于提高播音質(zhì)量具有十分重要的意義，當(dāng)前播音信號識別方法存在誤識率高，播音信號識別效率低等不足，為了獲得更優(yōu)的播音信號識別結(jié)果，設(shè)計基于模糊神經(jīng)網(wǎng)絡(luò)的播音信號識別技術(shù)。首先分析當(dāng)前播音信號識別技術(shù)的研究進(jìn)展，指出各種播音信號識別技術(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識別特征，并采用模糊神經(jīng)網(wǎng)絡(luò)建立播音信號識別分類器;最后在Matlab 2017平臺上進(jìn)行播音信號識別仿真實驗，結(jié)果表明，模糊神經(jīng)網(wǎng)絡(luò)獲得了理想的播音信號識別，播音信號識別正確率要高于當(dāng)前其他播音信號識別技術(shù)，減少了播音信號的誤識率，縮短了播音信號識別的時間，提升了播音信號識別速度，具有較高的實際應(yīng)用價值。

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

中圖分類號： TN911.73?34; TP391? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識碼： A? ? ? ? ? ? ? ? ?文章編號： 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

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

多年來，許多學(xué)者對播音信號識別問題進(jìn)行了深入的研究，提出了許多播音信號識別技術(shù)[4?7]。傳統(tǒng)方法主要包括：改進(jìn)子空間匹配追蹤導(dǎo)波的信號識別技術(shù)、基于同源性檢驗的信號識別技術(shù)、基于對信號功率譜擬合的信號識別方法等[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、不易實現(xiàn)，誤識率比較高。近幾年來，有學(xué)者提出了基于BP神經(jīng)網(wǎng)絡(luò)的信號識別方法、基于支持向量機(jī)的信號識別方法，其信號識別結(jié)果要優(yōu)于傳統(tǒng)方法，但是在實際應(yīng)用中，BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、識別時間長、支持向量機(jī)的信號識別效率低[11?13]。

為了獲得更優(yōu)的播音信號識別結(jié)果，設(shè)計了基于模糊神經(jīng)網(wǎng)絡(luò)的播音信號識別技術(shù)，并通過具體語音信號識別仿真實驗驗證了其有效性和優(yōu)越性。

1? 模糊神經(jīng)網(wǎng)絡(luò)的播音信號識別技術(shù)

1.1? 播音信號的預(yù)處理

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

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

逆變換為：

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

離散化的播音信號[H（kT）]經(jīng)過[S]變換后，得到了其幅值和相位信息，它們組成一個矩陣，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]變換算法對原始播音信號進(jìn)行處理后，可以消除其中的噪聲，將非平穩(wěn)信號變?yōu)槠椒€(wěn)信號，改善播音信號質(zhì)量。

1.2? 提取播音信號的特征

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

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

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]類播音信號，有[m]個識別特征，[m]個識別特征和對應(yīng)的[c]類播音信號構(gòu)成如下矩陣[14]：

式中[yij]為第[i]個識別特征的第[j]類識別值。

設(shè)有[n]個待識別的播音信號樣本，那么待識別矩陣為[X]：

由于播音信號識別結(jié)果具有一定的模糊性，采用隸屬度描述播音信號的模糊程度，第[i]個特征的第1類播音信號的相對隸屬度為[Pi1=0]，[c]播音信號的相對隸屬度[Pic=1]，那么處于[1～c]間的第[i]項特征的第[j]類的相對錄屬度[Pij]計算公式為：

對于各個待識別播音信號，其特征的相對隸屬度確定方式為：如果[rikyic]，那么[rik=]1;處于[yi1]～[yic]時，[rij]計算公式為：

那么，可以建立標(biāo)準(zhǔn)特征和待識別樣本相對隸屬度矩陣[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)建立播音信號識別的分類器。神經(jīng)網(wǎng)絡(luò)第[q]層的神經(jīng)元個數(shù)為[nq]，第[q]層、第[i]個神經(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)的播音信號識別原理

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

2? 播音信號識別性能測試

2.1? 測試平臺

為了分析模糊神經(jīng)網(wǎng)絡(luò)的播音信號識別效果，采用Matlab 2017作為測試仿真平臺，采用5種類型的播音信號作為測試對象，每一種播音信號的樣本數(shù)量如表1所示。為了分析模糊神經(jīng)網(wǎng)絡(luò)的播音信號識別優(yōu)越性，在相同測試平臺下，采用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的播音信號識別技術(shù)、支持向量機(jī)的播音信號識別技術(shù)進(jìn)行對比實驗，采用播音信號識別正確率、播音信號的誤識率、播音信號識別時間作為評價指標(biāo)，分析它們的優(yōu)劣。

2.2? 播音信號識別結(jié)果分析

統(tǒng)計3種播音信號識別技術(shù)的識別正確率和誤識率，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)的識別正確率和誤識率平均值分別為83.92%和16.08%，而且播音信號識別結(jié)果不穩(wěn)定，個別類型的播音信號識別正確率極低，這主要是因為BP神經(jīng)網(wǎng)絡(luò)存在過擬合的缺陷，無法獲得理想的播音信號識別結(jié)果。

2） 支持向量機(jī)神經(jīng)網(wǎng)絡(luò)的識別正確率和誤識率平均值分別為90.81%和9.19%，播音信號識別結(jié)果要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，這主要是因為支持向量機(jī)克服了BP神經(jīng)網(wǎng)絡(luò)的過擬合缺陷，獲得了更優(yōu)的播音信號識別結(jié)果。

3） 模糊神經(jīng)網(wǎng)絡(luò)的識別正確率和誤識率平均值分別為95.06%和4.94%，播音信號識別結(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)前播音信號識別技術(shù)存在的局限性，降低了誤識率，獲得了理想的播音信號識別結(jié)果。

2.3? 播音信號識別效率分析

統(tǒng)計3種播音信號識別技術(shù)的識別時間，結(jié)果如圖4所示。

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

3? 結(jié)? 語

信號識別是播音領(lǐng)域一個重要的研究方向，為了提高播音信號識別正確率，設(shè)計了基于模糊神經(jīng)網(wǎng)絡(luò)的播音信號識別技術(shù)。在Matlab 2017平臺上與其他方法進(jìn)行了播音信號識別對比實驗，結(jié)果表明，模糊神經(jīng)網(wǎng)絡(luò)的播音信號識別正確率要高于對比技術(shù)，提升了播音信號識別效率，實際應(yīng)用價值更高。

參考文獻(xiàn)

[1] 翁佳.智能語音技術(shù)對播音主持專業(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)符號論的播音情感新探[J].現(xiàn)代傳播（中國傳媒大學(xué)學(xué)報），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（中國傳媒大學(xué)學(xué)報），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)與干擾信號識別[J].兵工學(xué)報，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)的信號識別方法[J].復(fù)旦學(xué)報（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識別算法研究[J].計算機(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)波信號識別方法[J].華中科技大學(xué)學(xué)報（自然科學(xué)版），2012，40（8）：39?43.

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

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

[10] 張海川，雷迎科.基于MUSIC算法的OFDM信號識別方法[J].計算機(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)制信號識別[J].計算機(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)儀器信號識別方法[J].廈門大學(xué)學(xué)報（自然科學(xué)版），2012，51（4）：709?713.

[13] 鄧?yán)砦?，劉曉?基于模糊神經(jīng)網(wǎng)絡(luò)的智能火災(zāi)探測方法研究[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算模型[J].吉林大學(xué)學(xué)報（工學(xué)版），2019，49（1）：53?59.

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