神經(jīng)網(wǎng)絡(luò)在語(yǔ)音質(zhì)量客觀評(píng)價(jià)應(yīng)用中的研究.pdf

1、現(xiàn)有語(yǔ)音質(zhì)量主觀評(píng)價(jià)存在費(fèi)時(shí)、費(fèi)力、費(fèi)錢(qián)，靈活性不夠，重復(fù)性和穩(wěn)定性較差，受人的主觀影響較大等缺點(diǎn)。為了克服主觀評(píng)價(jià)的缺點(diǎn)，有必要尋求方便、快捷的客觀評(píng)價(jià)方法。傳統(tǒng)的音質(zhì)客觀評(píng)價(jià)判斷模型用簡(jiǎn)單的數(shù)學(xué)形式難以體現(xiàn)聽(tīng)覺(jué)系統(tǒng)對(duì)語(yǔ)音的感知性狀，于是本文采用接近于主觀評(píng)價(jià)處理方式的神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型，針對(duì)大詞匯量漢語(yǔ)語(yǔ)音數(shù)據(jù)庫(kù)，進(jìn)行基于輸入-輸出方式、僅基于輸出方式的語(yǔ)音質(zhì)量客觀評(píng)價(jià)；以及針對(duì)有限單詞閉集漢語(yǔ)語(yǔ)音數(shù)據(jù)庫(kù)，進(jìn)行基于轉(zhuǎn)移概率測(cè)度的語(yǔ)音質(zhì)

2、量可懂度客觀評(píng)價(jià)；并對(duì)相關(guān)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、算法進(jìn)行分析研究。傳統(tǒng)的音質(zhì)客觀評(píng)價(jià)方法高度依賴于特征參數(shù)和失真測(cè)度，而且對(duì)信道干擾式樣的增加很敏感；判斷模型用簡(jiǎn)單的數(shù)學(xué)形式難以體現(xiàn)聽(tīng)覺(jué)系統(tǒng)對(duì)語(yǔ)音的感知性狀。本文通過(guò)建立以徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFNN)為聽(tīng)覺(jué)判斷模型的語(yǔ)音質(zhì)量客觀評(píng)價(jià)系統(tǒng)，有效地實(shí)現(xiàn)了從語(yǔ)音特征參數(shù)空間到人的聽(tīng)覺(jué)感知的非線性映射。RBF神經(jīng)網(wǎng)絡(luò)語(yǔ)音質(zhì)量客觀評(píng)價(jià)系統(tǒng)模型對(duì)特征參數(shù)的依賴性大大降低：而且在增加信道干擾式樣的情況下

3、，依然能取得高度相關(guān)的評(píng)價(jià)性能；評(píng)價(jià)結(jié)果性能比傳統(tǒng)音質(zhì)評(píng)價(jià)方法好；取得了跟主觀評(píng)價(jià)MOS分值的高度相關(guān)性。但是訓(xùn)練建立一個(gè)RBFNN系統(tǒng)模型的時(shí)間代價(jià)較大?；趶V義同余神經(jīng)網(wǎng)絡(luò)(GCNN)的語(yǔ)音質(zhì)量客觀評(píng)價(jià)系統(tǒng)模型，時(shí)間代價(jià)更小、音質(zhì)評(píng)價(jià)性能更好。建立了基于GCNN的音質(zhì)評(píng)價(jià)系統(tǒng)模型，除具有RBFNN系統(tǒng)模型的所有優(yōu)勢(shì)外，具有更簡(jiǎn)單的系統(tǒng)結(jié)構(gòu)、更強(qiáng)的泛化性能、更高的主客觀相關(guān)系數(shù)、更小的偏差和絕對(duì)誤差，訓(xùn)練建立系統(tǒng)模型的時(shí)間代價(jià)節(jié)省約三

4、分之一。總之，GCNN系統(tǒng)模型相比于RBFNN系統(tǒng)模型，無(wú)論在建模系統(tǒng)所需的時(shí)間方面，還是在語(yǔ)音質(zhì)量評(píng)價(jià)的相關(guān)性能方面都具有明顯的優(yōu)勢(shì)。 本文提出了一種結(jié)構(gòu)、算法更簡(jiǎn)單的遞歸神經(jīng)網(wǎng)絡(luò)——遞歸廣義同余神經(jīng)網(wǎng)絡(luò)(RGCNN)；并建立了基于遞歸廣義同余神經(jīng)網(wǎng)絡(luò)的音質(zhì)評(píng)價(jià)系統(tǒng)模型。從網(wǎng)絡(luò)結(jié)構(gòu)和調(diào)權(quán)算法兩方面詳細(xì)介紹了新提出的RGCNN，并總結(jié)了相比其它遞歸神經(jīng)網(wǎng)絡(luò)所具有的特點(diǎn)和優(yōu)點(diǎn)；辨識(shí)仿真驗(yàn)證了RGCNN的有效性和收斂的快速性。為了體

5、現(xiàn)語(yǔ)音信號(hào)的動(dòng)態(tài)時(shí)變特性，考慮采用含有動(dòng)力學(xué)性狀的RGCNN，用于音質(zhì)客觀評(píng)價(jià)。通過(guò)建立基于RGCNN的語(yǔ)音質(zhì)量客觀評(píng)價(jià)系統(tǒng)模型，對(duì)連續(xù)語(yǔ)句語(yǔ)音和數(shù)字串話音進(jìn)行基于輸入-輸出方式的音質(zhì)客觀評(píng)價(jià)，取得了理想的效果。提出了采用神經(jīng)網(wǎng)絡(luò)，對(duì)基于輸出方式的語(yǔ)音質(zhì)量進(jìn)行客觀評(píng)價(jià)的一種新方法——NN/OBOA。由于基于輸入-輸出方式的評(píng)價(jià)方法要求必須有原始輸入語(yǔ)音、在時(shí)間上要求內(nèi)同步的缺陷；嘗試采用神經(jīng)網(wǎng)絡(luò)進(jìn)行基于輸出方式的語(yǔ)音質(zhì)量客觀評(píng)價(jià)。NN/

6、OBQA音質(zhì)客觀評(píng)價(jià)方法僅對(duì)語(yǔ)音系統(tǒng)輸出端的待測(cè)語(yǔ)音信號(hào)提取特征參數(shù)，然后通過(guò)神經(jīng)網(wǎng)絡(luò)完成特征參數(shù)到主觀評(píng)價(jià)MOS分的非線性映射，其映射值即為僅依賴于輸出的音質(zhì)客觀評(píng)價(jià)結(jié)果；其與主觀評(píng)價(jià)MOS分之間達(dá)到高度相關(guān)。針對(duì)MOS分的音質(zhì)評(píng)價(jià)研究已有不少，但對(duì)語(yǔ)音信息可懂度方面的音質(zhì)評(píng)價(jià)研究，成果不多。本文針對(duì)有限閉集語(yǔ)音，探索設(shè)計(jì)了基于轉(zhuǎn)移概率測(cè)度的可懂度評(píng)價(jià)原理；依照原理，提出了兩種可懂度評(píng)價(jià)的具體方法：基于歐式距離轉(zhuǎn)移概率測(cè)度的音質(zhì)可懂度