金豪圣

（國網(wǎng)浙江省電力有限公司信息通信分公司，浙江杭州 310000）

人們對于人工智能已經(jīng)進(jìn)行了數(shù)十年的研究，在人工智能領(lǐng)域，智能機(jī)器人是重要的研究課題之一。智能機(jī)器人研發(fā)主要包括語音識別、圖像識別、語言處理等內(nèi)容，隨著語音搜索的不斷普及，語音搜索的重要性也越來越高，因此相關(guān)學(xué)者針對語音信號特征參數(shù)提取這一問題進(jìn)行了深入研究[1-3]。

對于智能機(jī)器人的語音信號特征參數(shù)提取的方法，文獻(xiàn)[4]采用融合遞歸求逆濾波識別技術(shù)，解決復(fù)雜場景識別辦法，通過對全場景的準(zhǔn)確識別確定語音濾波效果，但是需要頻繁使用濾波器。文獻(xiàn)[5]采用廣義交叉閾值同步壓縮小波方法，估計降噪的閾值水平。通過基于峭度測量的預(yù)處理和基于自適應(yīng)硬閾值的后處理，能夠精確地提取超聲信號特征，但該方法的提取時間較長。

為了解決上述三種方式的缺陷，文中提出了基于VMD 的智能機(jī)器人語音信號特征參數(shù)提取方法。

1 數(shù)學(xué)模型建立

為了提取智能機(jī)器人語音信號的特征參數(shù)，文中提出了智能機(jī)器人語音信號特征參數(shù)數(shù)學(xué)模型[6-7]。由于智能機(jī)器人大多具有統(tǒng)一性，因此智能機(jī)器人的語音信號的脈沖模型G(z)表示如式（1）所示：

其中，z表示分析的數(shù)字信號；? 表示脈沖系數(shù)。

智能機(jī)器人語音信號中的激勵信號在實時性系統(tǒng)中進(jìn)行數(shù)據(jù)傳輸，其中的傳遞函數(shù)通常為極點模型，因此，如果智能機(jī)器人的語音信號含帶噪音，便會用AR-MA 模型進(jìn)行表述，因此實時性系統(tǒng)頻率H(z)的定義如式（2）所示：

其中，A(z)表示濾波器系數(shù)，系數(shù)的大小由實際運算情況而定。

當(dāng)智能機(jī)器人發(fā)出語音信號時，聲波頻率會發(fā)生諧振作用，語音信號調(diào)制函數(shù)計算公式如（3）所示：

其中，V(z)表示得到的語音信號調(diào)制函數(shù)；B表示信號聲波頻率；C表示諧振函數(shù)常量。通過以上公式建立智能機(jī)器人語音信號特征參數(shù)的數(shù)學(xué)模型，計算智能機(jī)器人語音信號的特征參數(shù)[8-9]。

2 語音信號特征參數(shù)處理

為了確保提取效果，文中在30 Hz 頻率下進(jìn)行采樣，從而解決外界干擾這一問題。通過VDM 建立分子程序化模型，將采樣數(shù)據(jù)進(jìn)行分析[10-12]。在對智能機(jī)器人語音信號的采樣中，通常為三個不連續(xù)的信號為一組，因為在采樣過程中，會產(chǎn)生不穩(wěn)定的振幅，導(dǎo)致智能機(jī)器人的語音信號變得離散化，因此不能采樣到連續(xù)的語音信號，通過離散化的語音信號防止語音信號失真。在對語音信號進(jìn)行預(yù)處理前，文中對智能機(jī)器人的語音通道進(jìn)行采樣和量化。采樣的點數(shù)也會隨著采樣頻率的增加而變得密集，當(dāng)采樣頻率降低時，采樣點數(shù)便變得稀疏散亂，離散信號與原始信號混淆在一起，發(fā)生混亂，因此文中在30 Hz 的采樣頻率下工作，有效防止語音信號出現(xiàn)混亂重疊現(xiàn)象[13]。

特征參數(shù)處理過程如圖1 所示。

圖1 特征參數(shù)處理過程

根據(jù)圖1 可知，語音信號不具備穩(wěn)定性，因此在識別過程中，經(jīng)過三次處理，確保處理信號的準(zhǔn)確性。在分析智能機(jī)器人語音信號時，不穩(wěn)定性會帶來很大的困難，文中采用VDM 技術(shù)建立一個分子可視化程序，將不穩(wěn)定的語音信號拆散開來進(jìn)行分析處理。

當(dāng)語音信號處在一定的限制范圍內(nèi)時，智能機(jī)器人的語音信號特征參數(shù)便不會發(fā)生太大的物理量的變化，因此當(dāng)使用VDM 分子可視化程序?qū)⒄Z音信號拆散時，就會給特征提取帶來很大的便利。通過利用平穩(wěn)隨機(jī)的理論對智能機(jī)器人的語音信號進(jìn)行分析，分幀處理語音信號。將在一個時間段的語音信號進(jìn)行離散化處理，通過使用連續(xù)分幀、交叉重疊分幀等方法，對語音信號進(jìn)行加窗處理，以此得到處理后的數(shù)據(jù)，進(jìn)行提取[14]。

3 語音信號特征參數(shù)提取

在經(jīng)過VMD 分子可視化程序?qū)⒄Z音信號處理完后，去除對于語音信號識別無關(guān)的雜質(zhì)信息，獲得關(guān)鍵識別語音信號的重點信息數(shù)據(jù)。從關(guān)鍵信息獲取更多的信號特征參數(shù)，對數(shù)據(jù)進(jìn)行信息壓縮，由于智能機(jī)器人的語音信號會發(fā)生動態(tài)變化，因此對于語音信號特征參數(shù)的提取必須在一小部分語音信號上進(jìn)行，稱為短時效提取，這一小部分語音信號稱為平穩(wěn)信號區(qū)間[15-16]?；赩MD 的智能機(jī)器人語音信號特征參數(shù)提取如圖2 所示。

圖2 基于VMD的智能機(jī)器人語音信號特征參數(shù)提取流程

根據(jù)圖2 可知，文中提出的基于VMD 的智能機(jī)器人語音信號特征參數(shù)的提取方式主要由三步組成，分別為自我相關(guān)分析、LPC 分析以及倒譜分析。抽取的語音信號特征參數(shù)數(shù)據(jù)在VDM 分子可視化程序進(jìn)行處理后，抽取語音信號特征參數(shù)樣本進(jìn)行自我相關(guān)分析，利用線性預(yù)測倒譜系數(shù)對數(shù)據(jù)確定，是對加窗語音信號頻譜的極點模型的近似模型系數(shù)[17-18]。文中采用了舒爾遞推的方式進(jìn)行求解，在遞推的過程中，所有所求量都小于1，因此非常適用于語音信號特征參數(shù)的提取推算。具體公式如下：

根據(jù)式（4）設(shè)置自我相關(guān)方程作一變換，定義變量為Qm；r為歸一化系數(shù)常數(shù)，i為線性預(yù)測倒譜系數(shù)。同時根據(jù)Qm的性質(zhì)以及正相關(guān)定理證明語音信號特征系數(shù)Km與Qm的關(guān)系為：

在求出系數(shù)后，根據(jù)倒譜原理求得倒譜特征系數(shù)，倒譜特征系數(shù)是一種高效的語音信號度量標(biāo)準(zhǔn)，經(jīng)過VMD 分子可視化進(jìn)行提取，得到了智能機(jī)器人的語音信號特征參數(shù)。通過以上步驟完成對智能機(jī)器人語音信號特征參數(shù)的提取。

4 實驗研究

為了驗證文中提出的基于VMD 的智能機(jī)器人語音信號特征參數(shù)提取方法的實際應(yīng)用效果，設(shè)定如下實驗。

由于在特征參數(shù)提取過程中，很容易受到外界的沖擊，因此應(yīng)用文中提出的基于VMD 的智能機(jī)器人語音信號特征參數(shù)提取方法對信號進(jìn)行處理，通過對語音信號進(jìn)行加幀處理，確保數(shù)據(jù)提取效果，處理過程如圖3 所示。

圖3 加幀處理

根據(jù)圖3 可知，加幀處理出現(xiàn)在第一幀和第二幀中間的位置，加幀處理后，得到的實驗結(jié)果如圖4所示。

圖4 加幀處理實驗結(jié)果

根據(jù)圖4 可知，加幀處理能夠很好地完成數(shù)據(jù)處理，通過文中提出的方法進(jìn)行加窗處理，確保通過理想數(shù)據(jù)窗抵消外界的沖擊響應(yīng)，從而保證提取效果。

特征參數(shù)提取時間實驗結(jié)果如表1 所示。

表1 特征參數(shù)提取時間實驗結(jié)果

根據(jù)表1 可知，為了保證實驗的準(zhǔn)確性，進(jìn)行了10 次實驗，并與文獻(xiàn)[3]方法和文獻(xiàn)[4]方法進(jìn)行實驗對比。對比結(jié)果表明，文中設(shè)計的提取方法具有很強(qiáng)的提取能力，能夠在短時間內(nèi)提取出特征參數(shù)。對于智能機(jī)器人語音信號的提取，必須滿足三個要求：提取的語音信號特征參數(shù)數(shù)據(jù)真實有效，能夠代表智能機(jī)器人的語音特征、提取的語音信號特征具有明顯的區(qū)分性、語音信號參數(shù)之間具有獨立性，計算方便?；赩MD 分子可視化程序所用的智能機(jī)器人語音信號特征參數(shù)主要有兩種系數(shù)：倒譜系數(shù)以及線性預(yù)測系數(shù)。這兩種系數(shù)主要為了模仿智能機(jī)器人的發(fā)聲裝置，不考慮智能機(jī)器人的聽覺系統(tǒng)，對于語音信號有較好的識別能力，計算量小、易于實現(xiàn)。

提取準(zhǔn)確率實驗結(jié)果如圖5 所示。

圖5 提取準(zhǔn)確率實驗結(jié)果

根據(jù)圖5 可知，在最初提取過程中，文中提取方法和文獻(xiàn)[3]方法、文獻(xiàn)[4]方法都存在提取準(zhǔn)確率較低的問題，但是隨著提取時間的增加，文中提取方法提取能力顯著增加，在短時間內(nèi)，文中設(shè)計的提取方法就能夠完成數(shù)據(jù)提取。

綜上所述，文中通過建立智能機(jī)器人語音信號數(shù)學(xué)模型來計算智能機(jī)器人語音信號的特征參數(shù)，再通過VMD 建立分子可視化程序，對智能機(jī)器人語音信號的特征參數(shù)進(jìn)行處理，并結(jié)合自我相關(guān)模塊、LPC 模塊以及倒譜系數(shù)，對智能機(jī)器人的語音信號特征參數(shù)進(jìn)行提取，解決了文獻(xiàn)[3]方法和文獻(xiàn)[4]方法中誤差率大、提取速度慢、提取參數(shù)不精確等問題。

5 結(jié)束語

智能機(jī)器人語音信號特征參數(shù)的提取一直是智能機(jī)器人領(lǐng)域和語音信號領(lǐng)域的重點問題，現(xiàn)有方法都有著各種缺陷，例如誤差率高、提取速度慢、提取的參數(shù)不準(zhǔn)確等。文中提出的基于VMD 的智能機(jī)器人語音信號特征參數(shù)提取方法可以有效提高檢測準(zhǔn)確率，縮短特征參數(shù)提取時間，并為后續(xù)對于智能機(jī)器人領(lǐng)域以及語音信號領(lǐng)域的研究提供參考。