一種改進(jìn)LSTM 訓(xùn)練的語音分離技術(shù)

郭佳敏，李鴻燕

（太原理工大學(xué)信息與計(jì)算機(jī)學(xué)院，山西太原 030024）

人耳可以輕易地將感興趣的語音從背景噪聲中分辨出來，為了使機(jī)器學(xué)會這一能力，文中將目標(biāo)語音從背景噪聲中有效地區(qū)分出來，即“雞尾酒會問題”[1]。語音分離的主要任務(wù)是解決雞尾酒會問題，并將其應(yīng)用到實(shí)際場景中。隨著人工智能、深度學(xué)習(xí)等相關(guān)知識的迅速發(fā)展，很多算法相繼被提出。文獻(xiàn)[2]將深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network,DNN）運(yùn)用到語音分離的研究中，在大規(guī)模訓(xùn)練的基礎(chǔ)上，使語音分離性能實(shí)現(xiàn)了顯著的提升。文獻(xiàn)[3]將深度神經(jīng)網(wǎng)絡(luò)的語音分離系統(tǒng)進(jìn)一步優(yōu)化，并取得了顯著的效果。文獻(xiàn)[4]將長短時記憶網(wǎng)絡(luò)（Long Short-Term Memory,LSTM）運(yùn)用到語音分離任務(wù)中，通過其記憶功能，能有效獲取信號的上下文信息，提升語音分離的性能，相較于DNN，可以有效提升分離語音的短時可懂度指標(biāo)，但在語音質(zhì)量等其他方面表現(xiàn)欠佳。同時，由于其結(jié)構(gòu)復(fù)雜，參數(shù)眾多，計(jì)算復(fù)雜度較高，導(dǎo)致訓(xùn)練時間成本較大。文中通過簡化長短時記憶網(wǎng)絡(luò)模型結(jié)構(gòu)和參數(shù)，使用門控循環(huán)單元（Gated Recurrent Unit，GRU）[5]縮短訓(xùn)練時間，降低了計(jì)算復(fù)雜度。

為實(shí)現(xiàn)系統(tǒng)語音分離性能的綜合提升，根據(jù)人耳的掩蔽效應(yīng)，針對信號的時頻（Time Frequency，T-F）單元，結(jié)合注意力機(jī)制進(jìn)行建模，并提出將噪聲和語音主導(dǎo)T-F 單元分類方法與回歸任務(wù)中常用的均方誤差（Mean-Square Error，MSE）[6]相結(jié)合的方法，構(gòu)建新的損失函數(shù)，對模型的訓(xùn)練過程進(jìn)行優(yōu)化，以獲得性能更好的語音分離模型。

1 算法結(jié)構(gòu)

圖1 所示是語音分離算法結(jié)構(gòu)框圖。系統(tǒng)分為訓(xùn)練和測試兩個階段，根據(jù)算法各部分功能，各模塊可歸為數(shù)據(jù)處理和模型優(yōu)化兩個部分。其中，數(shù)據(jù)處理部分包括時頻分解、目標(biāo)計(jì)算和特征抽取。在訓(xùn)練階段，數(shù)據(jù)由干凈語音和噪聲在固定信噪比下混合得到，通過時頻分解后，提取混合語音特征作為輸入，計(jì)算干凈語音作為輸出，通過大量的“特征-目標(biāo)對”訓(xùn)練模型得到二者之間的映射關(guān)系，獲得分離模型。在測試階段，運(yùn)用訓(xùn)練好的分離模型，將帶噪語音通過時頻分解、抽取特征值輸入模型，獲得估計(jì)的目標(biāo)語音，進(jìn)行性能測試。針對傳統(tǒng)LSTM 語音分離系統(tǒng)中存在的問題，文中從分離模型的結(jié)構(gòu)簡化、輸入優(yōu)化和損失函數(shù)改進(jìn)3 個方面出發(fā)，通過對原有算法的改進(jìn)，最終達(dá)到提升語音分離性能的目的。

圖1 語音分離系統(tǒng)結(jié)構(gòu)框圖

1.1 數(shù)據(jù)處理

1.1.1 時頻分解

系統(tǒng)的時頻分解部分采用短時傅里葉變換算法[7]，將輸入時間域的干凈語音信號、噪聲信號以及混合得到的帶噪語音信號通過分幀、加窗、快速傅里葉變化轉(zhuǎn)化為二維的時域信號：

其中，ω(t)=ω(-t)是一個長度為N的實(shí)對稱窗函數(shù)，每次移動N/2，X(t,f)是一維時域信號x(t)在第t個時間幀，f個頻段的短時傅里葉變換系數(shù)。

1.1.2 目標(biāo)計(jì)算

使用時頻掩蔽可以很好地保留語音的共振峰特性，有效提高分離語音的可懂度，通過傅里葉逆變換可以直接合成目標(biāo)語音分波形[8-9]。文中以理想二值掩蔽（Ideal Binary Mask,IBM）作為計(jì)算目標(biāo)，信號在短時譜中語音能量大于噪聲能量時值為1，否則為0：

其中，LC是設(shè)定的局部閾值，SNR(t,f)是混合信號的信噪比。為更好地獲得目標(biāo)語音的能量譜，將LC設(shè)置為小于SNR(t,f)。

1.1.3 特征抽取

根據(jù)人耳的特性，提取混合語音信號的梅爾倒譜系數(shù)（Mel-Frequency Cepstral Coefficients,MFCC）[10]，可以更好地展現(xiàn)語音感知特性的相對譜變換-感知 線性預(yù)測（Relative Spectral Transform-Perceptual Linear Prediction）[11]特征。提取的特征組合中包含了許多與目標(biāo)語音無關(guān)的噪聲信息，對語音分離的效果造成一定影響。

1.2 模型優(yōu)化

1.2.1 模型結(jié)構(gòu)優(yōu)化

LSTM 作為一種時序模型，比起深度神經(jīng)網(wǎng)絡(luò)，在其隱層間增加了反饋連接，對時序信號的短時動態(tài)信息進(jìn)行建模，使網(wǎng)絡(luò)具備記憶功能。其輸入門it用于控制當(dāng)前時態(tài)輸入xt是否融入當(dāng)前細(xì)胞狀態(tài)ct；輸出門ot用于判斷隱層向量ht對上一時間細(xì)胞狀態(tài)ct-1部分的保留與否；遺忘門ft用于控制上一時間細(xì)胞狀態(tài)ct-1是否影響當(dāng)前細(xì)胞狀態(tài)ct。細(xì)胞狀態(tài)ct綜合了每個時刻的當(dāng)前輸入xt和上一時刻細(xì)胞的狀態(tài)ct-1。

如圖2 所示，為簡化LSTM 計(jì)算，保留了其核心功能，采用兩個門結(jié)構(gòu)的GRU，將細(xì)胞狀態(tài)ct融入隱層向量ht中，輸入門it和遺忘門ft合并，為更新門zt選擇控制xt輸入，重置門rt替換輸出門ot。其前向計(jì)算原理如下：

圖2 LSTM單元結(jié)構(gòu)簡化

其中，σ(·)表示sigmoid 函數(shù)，W表示連接不同門的權(quán)重矩陣，表示隱層向量當(dāng)前時刻的記憶候選向量。使用簡化后的LSTM 單元構(gòu)建網(wǎng)絡(luò)，循環(huán)層沿時間反向傳播，保留上下文信息，其循環(huán)的單元數(shù)隨輸入數(shù)據(jù)的時間長度變化，在每個時間點(diǎn)上將信息分別輸出到下一個隱層。模型采用單循環(huán)層的結(jié)構(gòu)，并通過兩個全連接層調(diào)整數(shù)據(jù)的輸出維度。循環(huán)層采用dropout 算法，各層間采用Batch Normalization 算法對網(wǎng)絡(luò)訓(xùn)練過程進(jìn)行優(yōu)化。

1.2.2 模型輸入的優(yōu)化

針對抽取特征值無法避免噪聲影響的問題，結(jié)合注意力機(jī)制原理以及人耳的掩蔽效應(yīng)，對獲得的語音特征進(jìn)行篩選。根據(jù)人耳的掩蔽效應(yīng)，弱的聲音會被較強(qiáng)的聲音覆蓋，輸入特征序列的T-F 單元可以被區(qū)分為由噪聲或目標(biāo)語音分別主導(dǎo)。對模型輸入施加注意力機(jī)制，使模型輸入更關(guān)注于目標(biāo)語音主導(dǎo)的T-F 單元，使用Transformer 模型中的自注意力機(jī)制[12]，計(jì)算T-F 單元之間的相似性，得到對應(yīng)的注意力權(quán)重，從而獲得可以弱化噪聲影響的特征序列。

其中，Attention(·)表示一次注意力的計(jì)算過程，Q、K、V分別對應(yīng)注意力機(jī)制計(jì)算中的元素內(nèi)容矩陣、尋址矩陣和對應(yīng)的值矩陣，dk表示矩陣K的維度。僅通過一次Attention計(jì)算無法很好地區(qū)分噪聲和目標(biāo)語音主導(dǎo)的時頻單元，需要經(jīng)過多次計(jì)算，獲得疊加的權(quán)值系數(shù)。將輸入矩陣映射到不同子空間，并采用縮放點(diǎn)積的形式對數(shù)據(jù)進(jìn)行編碼，即多頭自注意力計(jì)算，從而實(shí)現(xiàn)對輸入T-F 單元之間相似度的反復(fù)計(jì)算和權(quán)重疊加。

其中，headi對應(yīng)輸入的不同子空間，concat(·)表示對每個head的拼接計(jì)算，A表示注意力模型的權(quán)重參數(shù)。由于目標(biāo)語音主導(dǎo)的單元數(shù)量在整個特征序列中占大多數(shù)，因此經(jīng)過多頭自注意力編碼后的特征序列，可以加強(qiáng)目標(biāo)語音在輸入中的重要程度，對噪聲實(shí)現(xiàn)有效的抑制，最終作為優(yōu)化后的訓(xùn)練數(shù)據(jù)輸入分離模型。

1.2.3 訓(xùn)練準(zhǔn)則——損失函數(shù)的優(yōu)化

使用IBM 作為目標(biāo)時，語音分離任務(wù)可以自然地看作是0-1分類的問題，命中率減誤報(bào)率（HIT-FA）可以直接作為語音性能評價(jià)指標(biāo)，該指標(biāo)與分離語音效果呈現(xiàn)正相關(guān)關(guān)系，可以客觀地反映語音分離系統(tǒng)的性能[13]。通過直接比較干凈語音理想二值掩蔽和模型估計(jì)的目標(biāo)語音理想二值掩蔽，可得到命中率-誤報(bào)率。

根據(jù)表1 所示的計(jì)算方式，并通過模型估計(jì)的二值掩蔽和理想二值掩蔽表示，HIT-FA可表示為：

表1 二值掩蔽評價(jià)指標(biāo)計(jì)算表示方式

其中，st和yt分別對應(yīng)當(dāng)前時刻t混合語音經(jīng)過模型估計(jì)得到的二值掩蔽和干凈語音的理想二值掩蔽。HIT表示預(yù)測結(jié)果中，分類正確的目標(biāo)語音主導(dǎo)T-F 單元在所有目標(biāo)語音主導(dǎo)T-F 單元中所占的比例，HIT越大，對應(yīng)的語音分離結(jié)果越好。FA計(jì)算的是預(yù)測結(jié)果中被錯誤分類為目標(biāo)語音主導(dǎo)的噪聲T-F 單元在全部噪聲主導(dǎo)T-F 單元中所占的比重，F(xiàn)A越小，對應(yīng)的語音分離結(jié)果越好。

在模型訓(xùn)練時，損失函數(shù)計(jì)算為模型估計(jì)值與理想輸出之間的距離，為網(wǎng)絡(luò)中每一個需要更新的權(quán)重找到對應(yīng)的梯度，尋找最優(yōu)解。MSE作為模型訓(xùn)練中最為常見的損失函數(shù)，在短時可懂度等方面具有較好的表現(xiàn)，但不能很好地匹配其他語音分離的評價(jià)指標(biāo)。優(yōu)化模型結(jié)構(gòu)可以有效提高語音的可懂度，但在語音質(zhì)量等方面表現(xiàn)出不平衡現(xiàn)象。以IBM 作為語音分離目標(biāo)，可以自然地將語音分離任務(wù)轉(zhuǎn)化為分類問題。通過對比幾種不同損失函數(shù)對語音分離結(jié)果的影響，并根據(jù)HIT-FA的計(jì)算原理，將錯誤估計(jì)的噪聲T-F 單元數(shù)量作為分子即FP，實(shí)際語音主導(dǎo)的T-F 單元數(shù)量作為分母即P，構(gòu)成損失函數(shù)LH-F：

LH-F對估計(jì)為目標(biāo)語音主導(dǎo)的T-F 單元進(jìn)行判斷，錯誤估計(jì)的單元數(shù)量越多，LH-F越大，通過訓(xùn)練使LH-F最小，從而抑制被噪聲主導(dǎo)的時頻單元對語音分離效果的影響。最小化LH-F可實(shí)現(xiàn)語音評價(jià)指標(biāo)HIT-FA的最大化，但無法刻畫預(yù)測值與真實(shí)值之間的差距。結(jié)合在STOI 等方面表現(xiàn)較好的MSE，其損失函數(shù)為：

綜合LH-F和LMSE的性能，在縮小預(yù)測值與真實(shí)值之間距離的同時，抑制噪聲T-F 單元錯誤分類對結(jié)果的影響，提出一種新的損失函數(shù)L：

這里采用加權(quán)調(diào)和平均將二者融合構(gòu)成新的損失函數(shù)，α大小反映函數(shù)LH-F在計(jì)算中的重要程度，α=1 時，表示兩個函數(shù)同等重要，α設(shè)置越大，對應(yīng)LH-F在計(jì)算中越重要。通過訓(xùn)練獲取一個閾值，使二者同時實(shí)現(xiàn)最小化，以獲得分離語音性能在HIT-FA和STOI方面的最佳表現(xiàn)，實(shí)現(xiàn)對模型訓(xùn)練過程的改進(jìn)。

根據(jù)計(jì)算，自定義的損失函數(shù)L是可導(dǎo)可微的，滿足自定義函數(shù)的條件。配合優(yōu)化后的LSTM 網(wǎng)絡(luò)，沿時間反向傳播，通過適當(dāng)?shù)膶W(xué)習(xí)率lr實(shí)現(xiàn)梯度的下降迭代對模型參數(shù)進(jìn)行更新，網(wǎng)絡(luò)權(quán)值和偏差最終通過時間展開后積累得到。

新的損失函數(shù)、學(xué)習(xí)率等參數(shù)的設(shè)置以及梯度下降優(yōu)化算法的選擇也影響著整個系統(tǒng)的性能?；谀Ｐ徒Y(jié)構(gòu)特點(diǎn)、訓(xùn)練速度等多方面因素，使用配合歷史信息動量加速的隨機(jī)梯度下降法（Stochastic Gradient Descent，SGD）、自適應(yīng)學(xué)習(xí)率的RMSProp（Root Mean Square Prop）算法和Adam 算法3 種算法分別對訓(xùn)練過程進(jìn)行優(yōu)化。

在優(yōu)化結(jié)構(gòu)后的網(wǎng)絡(luò)中，分別運(yùn)用3 種不同的優(yōu)化器算法對訓(xùn)練過程中的自定義損失函數(shù)進(jìn)行可視化[14-20]，如圖3 所示，縱軸為損失函數(shù)值，橫軸為迭代次數(shù)。同時觀察訓(xùn)練過程，可驗(yàn)證該函數(shù)是否可以實(shí)現(xiàn)有效收斂。根據(jù)結(jié)果，自定的損失函數(shù)L在模型訓(xùn)練中可以實(shí)現(xiàn)有效的收斂。根據(jù)訓(xùn)練過程的損失函數(shù)值變化曲線的收斂速度和收斂效果來看，使用RMSProp 和Adam 算法進(jìn)行優(yōu)化的表現(xiàn)相當(dāng)，對比訓(xùn)練過程中損失函數(shù)的最小值，最終選擇RMSProp 算法對模型進(jìn)行優(yōu)化。

圖3 SGD、RMSProp、Adam算法對比

2 實(shí) 驗(yàn)

2.1 實(shí)驗(yàn)配置

實(shí)驗(yàn)基于深度學(xué)習(xí)原理構(gòu)建LSTM 的語音分離系統(tǒng)，并進(jìn)一步優(yōu)化。從語料庫中抽取720 條干凈語音及一種工廠噪聲作為數(shù)據(jù)來源，分別在-2 dB、0 dB、2 dB 和5 dB 信噪比下生成600 條混合語音信號，用于模型訓(xùn)練，另生成120 條混合語音信號用于測試訓(xùn)練好的模型。為證明算法性能的提升，在相同實(shí)驗(yàn)環(huán)境下，使用傳統(tǒng)的LSTM 語音分離系統(tǒng)同優(yōu)化后的LSTM 語音分離系統(tǒng)進(jìn)行對比。數(shù)據(jù)處理部分采用Matlab2016a 實(shí)現(xiàn)，包括對原始語音數(shù)據(jù)的混合處理以及時頻分解，計(jì)算干凈語音的IBM 和混合語音的特征值組合構(gòu)成訓(xùn)練集和測試集。模型搭建、優(yōu)化和損失函數(shù)的自定義通過Python 和Pytorch平臺實(shí)現(xiàn)，同時利用TensorboardX 對整個訓(xùn)練過程進(jìn)行監(jiān)控。

測試中，為了可視化地對比語音分離的效果，計(jì)算處理后語音的短時包絡(luò)相關(guān)性，使用短時客觀可懂度指標(biāo)（Short-Time Objective Intelligibility,STOI）作為客觀語音清晰度指標(biāo)，該指標(biāo)取值范圍在[0，1]之間，且值越大性能越好。同時，采用與語音主觀評價(jià)MOS 值相關(guān)的語音質(zhì)量感知評價(jià)指標(biāo)（Perceptual Evaluation of Speech Quality，PESQ）對測試合成語音的質(zhì)量性能進(jìn)行評估測試，該指標(biāo)取值范圍在[-0.5，4.5]之間，值越大對應(yīng)性能越好。同時，針對分類問題，使用模型分類精確度（Accuracy）和HIT-FA 對系統(tǒng)性能進(jìn)行評估。此外，為縮短訓(xùn)練時間，實(shí)驗(yàn)訓(xùn)練過程使用GPU 進(jìn)行加速。

2.2 實(shí)驗(yàn)結(jié)果

首先，為驗(yàn)證優(yōu)化模型結(jié)構(gòu)后性能的變化，分別使用優(yōu)化前后的模型在-2 dB 信噪比條件下進(jìn)行測試，并記錄測試結(jié)果，如表2 所示。

表2 優(yōu)化后的LSTM模型性能測試結(jié)果

分析表2 數(shù)據(jù)可以得出，相較于傳統(tǒng)的LSTM 模型，優(yōu)化結(jié)構(gòu)后的LSTM 模型在簡化計(jì)算后，各項(xiàng)性能指標(biāo)均獲得了一定的提升，并且在完成100 次迭代訓(xùn)練時，耗時縮短了約21%?？梢缘贸?，LSTM 經(jīng)過優(yōu)化后，仍然可以很好地保留語音的時序信息，使其在STOI 方面獲得較明顯的提升，且計(jì)算復(fù)雜度降低，訓(xùn)練速度更快，但在語音質(zhì)量PESQ 方面表現(xiàn)仍有待提升。

為驗(yàn)證結(jié)合注意力機(jī)制在模型輸入的改進(jìn)是否有效，在不同信噪比條件下分別使用結(jié)合注意力機(jī)制改進(jìn)前后的模型進(jìn)行訓(xùn)練和測試，記錄測試結(jié)果，并取平均值，如表3 所示。

表3 結(jié)合注意力機(jī)制優(yōu)化前后的模型性能測試結(jié)果

實(shí)驗(yàn)結(jié)果表明，優(yōu)化模型輸入后，各性能指標(biāo)都得到了一定的提升。結(jié)合注意力機(jī)制對模型輸入進(jìn)行優(yōu)化，通過計(jì)算T-F 單元之間的相似性，可以將訓(xùn)練的注意力集中在語音主導(dǎo)的T-F 單元上，有效抑制噪聲在模型計(jì)算過程中的影響，實(shí)現(xiàn)各個語音分離性能的綜合提升。

最后，使用提出的損失函數(shù)對分離性能提升的有效性進(jìn)行驗(yàn)證。首先，確定L中α的取值，在2 dB信噪比條件下，分別取α=0.5、α=1 和α=2 進(jìn)行訓(xùn)練，結(jié)果如表4 所示。

表4 不同α取值的測試結(jié)果

結(jié)果表明，取α=1 時，在訓(xùn)練中將L中的LH-F和LMSE計(jì)算視為同等重要，分離結(jié)果在Accuracy、HIT-FA、STOI 和PESQ 性能方面的表現(xiàn)較α=0.5 和α=2 時好。

令α=1，同時考慮其泛化性能，分別在-2 dB、0 dB、2 dB和5 dB信噪比條件下，使用式（12）與式（11）以及式（13）作為對比，在優(yōu)化結(jié)構(gòu)和輸入后的模型中進(jìn)行訓(xùn)練，測試分離語音性能，并記錄實(shí)驗(yàn)結(jié)果，如圖4 所示。

圖4 損失函數(shù)對比測試結(jié)果

如圖4 所示，根據(jù)訓(xùn)練提出的損失函數(shù)L，在Accuracy 方面的表現(xiàn)與單獨(dú)訓(xùn)練LMSE損失和LH-F損失時大致相當(dāng)。通過對HIT-FA 原理改進(jìn)后，訓(xùn)練L得到的HIT-FA 指標(biāo)性能相較于訓(xùn)練LMSE時獲得較明顯的提升。而且，由于HIT-FA 指標(biāo)與主觀聽音測試存在正相關(guān)關(guān)系，因此通過其原理改進(jìn)損失函數(shù)后，相較于兩種損失函數(shù)單獨(dú)訓(xùn)練時，在STOI 和PESQ 方面都表現(xiàn)出較好的性能。實(shí)驗(yàn)結(jié)果表明，提出的結(jié)合語音分離指標(biāo)HIT-FA 改進(jìn)均方誤差構(gòu)成的損失函數(shù)L不僅可以在訓(xùn)練中有效收斂，同時可以實(shí)現(xiàn)語音分離系統(tǒng)HIT-FA、STOI 和PESQ 性能方面的提升。

將優(yōu)化后的語音分離系統(tǒng)算法與傳統(tǒng)的LSTM語音分離系統(tǒng)作對比，取不同信噪比條件下分離語音結(jié)果的平均值，如圖5 所示，文中構(gòu)建的語音分離系統(tǒng)算法在Accuracy、HIT-FA、STOI 和PESQ 方面都獲得了較好的表現(xiàn)，實(shí)現(xiàn)了對系統(tǒng)優(yōu)化的目的。

圖5 算法性能測試對比結(jié)果

3 結(jié)束語

文中將IBM 作為目標(biāo)，采用LSTM 網(wǎng)絡(luò)構(gòu)建語音分離模型并進(jìn)行優(yōu)化，為實(shí)現(xiàn)訓(xùn)練時間的縮短，簡化其單元結(jié)構(gòu)，結(jié)合注意力機(jī)制對抽取的語音MFCC及RASTA-PLP 特征組合進(jìn)一步優(yōu)化，對輸入特征中的噪聲予以抑制，優(yōu)化數(shù)據(jù)在訓(xùn)練過程中的計(jì)算，減少噪聲對最終結(jié)果的影響。由于通過模型結(jié)構(gòu)的優(yōu)化無法實(shí)現(xiàn)系統(tǒng)綜合性能的全面提升，提出一種新的損失函數(shù)對模型訓(xùn)練過程進(jìn)行改進(jìn)，將與語音評價(jià)指標(biāo)HIT-FA 直接相關(guān)的函數(shù)與傳統(tǒng)的MSE損失函數(shù)相結(jié)合運(yùn)用到模型訓(xùn)練中，從而更好地匹配語音分離性能指標(biāo)。為驗(yàn)證算法的泛化性，在不同信噪比條件下，將干凈語音和噪聲進(jìn)行混合分別進(jìn)行訓(xùn)練和測試。實(shí)驗(yàn)證明，從模型的單元結(jié)構(gòu)和輸入對傳統(tǒng)LSTM 系統(tǒng)進(jìn)行優(yōu)化，實(shí)現(xiàn)了訓(xùn)練時間的縮短，同時結(jié)合注意力機(jī)制對模型輸入進(jìn)行優(yōu)化，使訓(xùn)練過程中的計(jì)算更集中在目標(biāo)語音上，系統(tǒng)各性能實(shí)現(xiàn)提升。最后，將提出的損失函數(shù)運(yùn)用到訓(xùn)練中，可以更好地與語音分離各性能相匹配，實(shí)現(xiàn)系統(tǒng)性能的綜合提升。