[發(fā)明專利]一種基于DIVA神經(jīng)網(wǎng)絡(luò)模型的語(yǔ)音生成方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201210219670.3
• 申請(qǐng)日: 2012-06-28
• 公開（公告）號(hào): CN102789594A
• 公開（公告）日: 2012-11-21
• 發(fā)明（設(shè)計(jì)）人: 張少白;徐磊;劉欣
• 申請(qǐng)（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號(hào): G06N3/08
• 分類號(hào): G06N3/08
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 許方

技術(shù)領(lǐng)域

本發(fā)明涉及一種語(yǔ)音生成方法，特別是一種基于DIVA神經(jīng)網(wǎng)絡(luò)模型的語(yǔ)音生成方法。

背景技術(shù)

隨著人工智能的發(fā)展，人們對(duì)這個(gè)領(lǐng)域的研究不斷深入。對(duì)類似真人發(fā)音的語(yǔ)音生成和獲取的控制，是機(jī)器人發(fā)音系統(tǒng)急需解決的問題。語(yǔ)音生成與獲取是一個(gè)涉及大腦諸多部位復(fù)雜的認(rèn)知過程，這個(gè)過程包括一種從依照句法和語(yǔ)法組織句子或短語(yǔ)的表述一直延伸到音素產(chǎn)生的分層結(jié)構(gòu)，需要根據(jù)發(fā)聲時(shí)大腦中各種感官和運(yùn)動(dòng)區(qū)域的交互作用建立相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型。目前DIVA(Directions?Into?Velocities?of?Articulators)模型就是一種關(guān)于語(yǔ)音生成與獲取后描述相關(guān)處理過程的數(shù)學(xué)模型，主要被用來仿真和描述有關(guān)大腦中涉及語(yǔ)音生成和語(yǔ)音理解區(qū)域的相關(guān)功能。也可以說它是一種為了生成單詞、音節(jié)或者音素，而用來控制模擬聲道運(yùn)動(dòng)的自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型。在當(dāng)今真正具有生物學(xué)意義的語(yǔ)音生成和獲取的神經(jīng)網(wǎng)絡(luò)模型中，DIVA模型的定義和測(cè)試相對(duì)而言是最徹底的，并且是唯一一種應(yīng)用偽逆控制方案的模型。

人們對(duì)于人類語(yǔ)言能力的統(tǒng)一計(jì)算模型的需求推動(dòng)著DIVA模型的發(fā)展。這個(gè)模型自從由MIT大學(xué)語(yǔ)音實(shí)驗(yàn)室的Guenther1994年首次提出以來，近些年來不斷地被更新、完善和改進(jìn)。DIVA系統(tǒng)由語(yǔ)音通道模塊、耳蝸模塊、聽覺皮層模型模塊、聽覺皮層類別感知模塊、語(yǔ)音細(xì)胞集模塊、運(yùn)動(dòng)皮層模塊、聲道模塊、體覺皮質(zhì)模塊、感覺模塊和感覺通道模塊組成。

通過對(duì)DIVA模型的分析，我們可以發(fā)現(xiàn)其聽覺皮層類別感知模塊中所使用的分類方法是RBF。而RBF神經(jīng)網(wǎng)絡(luò)對(duì)樣本的依賴性很大，對(duì)于某一具體的研究問題，如何確定合適的隱含層節(jié)點(diǎn)數(shù)，目前尚無通用有效的算法或者定理。人們更多的是憑借經(jīng)驗(yàn)，反復(fù)試驗(yàn)來確定網(wǎng)絡(luò)的規(guī)模，這種試湊的方法非常繁瑣，不易找到合適的結(jié)構(gòu)。網(wǎng)絡(luò)隱含層的節(jié)點(diǎn)數(shù)對(duì)網(wǎng)絡(luò)的收斂速度、精度及泛化能力都有很大的影響。隱含層節(jié)點(diǎn)過多，雖可以完成訓(xùn)練，但會(huì)影響收斂速度，而且有可能出現(xiàn)過學(xué)習(xí)；而隱含層節(jié)點(diǎn)過少，網(wǎng)絡(luò)不能充分學(xué)習(xí)，達(dá)不到訓(xùn)練精度的要求。此外，RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練的時(shí)間也不夠快。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種發(fā)音精度高、學(xué)習(xí)速度快的基于DIVA神經(jīng)網(wǎng)絡(luò)模型的語(yǔ)音生成方法。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為：一種基于DIVA神經(jīng)網(wǎng)絡(luò)模型的語(yǔ)音生成方法，包括語(yǔ)音樣本提取、語(yǔ)音樣本分類與學(xué)習(xí)、語(yǔ)音輸出和修正輸出語(yǔ)音，所述語(yǔ)音樣本分類與學(xué)習(xí)采用自適應(yīng)生長(zhǎng)型神經(jīng)網(wǎng)絡(luò)（AGNN）實(shí)現(xiàn)對(duì)語(yǔ)音樣本的分類學(xué)習(xí)，具體為：

步驟一、將提取的語(yǔ)音共振峰頻率通過雅克比行列式轉(zhuǎn)換為矩陣形式，該矩陣的特征向量的維數(shù)即輸入層候選神經(jīng)元的數(shù)目m；計(jì)算輸入層候選神經(jīng)元的適應(yīng)度函數(shù)值并按適應(yīng)度函數(shù)值遞增的順序排列候選神經(jīng)元，輸入層候選神經(jīng)元適應(yīng)度函數(shù)值的列表相應(yīng)的為S={S_i1≤S_i2≤…≤S_im}，并按相應(yīng)的順序?qū)⒑蜻x神經(jīng)元放在列表X中，X=(x₁，...，x_m)，所述適應(yīng)度函數(shù)計(jì)算公式為：

y_i為實(shí)際輸出值，為目標(biāo)值，n為數(shù)據(jù)集中樣本的數(shù)目且n為自然數(shù)；

步驟二、初始隱層神經(jīng)元個(gè)數(shù)r=0并設(shè)C₀=S_i1，C₀為隱層神經(jīng)元個(gè)數(shù)r=0時(shí)的適應(yīng)度函數(shù)值；

步驟三、設(shè)r=r+1和p=r+1，其中r為第r個(gè)隱層候選神經(jīng)元，生成一個(gè)有p個(gè)輸入的隱層候選神經(jīng)元；

步驟四、若r>1，將該隱層候選神經(jīng)元分別連接到其前面所有的隱層神經(jīng)元和輸入節(jié)點(diǎn)x₁上；否則把該隱層候選神經(jīng)元只連接到輸入節(jié)點(diǎn)x₁上；

步驟五、設(shè)置下一個(gè)需要和新添加的隱層候選神經(jīng)元相連接的集合X中的元素所處的位置h的初始值為2，其中2≤h≤m,m、h為正整數(shù)；將此隱層候選神經(jīng)元的第P個(gè)輸入連接到列表X中位置為h的輸入節(jié)點(diǎn)上；

步驟六、訓(xùn)練此隱層候選神經(jīng)元并計(jì)算它的適應(yīng)度函數(shù)值C_r，若C_r≥C_r-1，則執(zhí)行步驟七；若C_r<C_r-1則將此隱層候選神經(jīng)元連接到網(wǎng)絡(luò)中作為第r個(gè)隱層神經(jīng)元，再返回執(zhí)行步驟三至步驟六，直到第m個(gè)輸入層神經(jīng)元接入網(wǎng)絡(luò)中不滿足此條件為止；