[发明专利]一种基于潜类多维尺度分析的声品质建模方法

摘要

本发明提出一种基于潜类多维尺度分析的声品质建模方法，利用Winsberg提出的CLASCAL方法建立音色空间，并通过多元回归分析对各维度进行拟合，将能够解释各维度的客观参量作为神经网络的输入，建立声品质模型。本发明提供了客观参量选择的一种标准，改善了声品质模型的精度及可解释性，更好地解决在声品质建模中可解释性和非线性两个关键问题。

主权项

1.一种基于潜类多维尺度分析的声品质建模方法，其特征在于：包括以下步骤：步骤1：采用人工头采集方式采集被测产品使用状态下的若干双耳声样本；步骤2：确定主观评价指标，并选择20名以上被试进行主观听音实验，获得对每个双耳声样本的评价打分；步骤3：计算每个双耳声样本的代表参量，取每种代表参量的两端值和某一中间值对应的双耳声样本组成代表样本集合，所述代表参量包括响度、尖锐度、粗糙度和波动强度；利用步骤2中的被试对代表样本集合中的双耳声样本进行成对比较，获取代表样本集合中两两代表样本之间的不相似度矩阵，并组成高维空间表征声样本之间的感知关系；步骤4：通过潜类多维尺度分析方法将步骤3得到的不相似度矩阵变换到维度相互正交的低维空间模型中：步骤4.1：采用潜类多维尺度分析将不相似度矩阵建模为三个部分：公共维度、特异性和被试潜类；其中公共维度由代表样本集合中的所有样本共有，是样本间感知差异的基础；特异性指代表样本集合中的每个声样本拥有的独特属性；潜类指子群体，根据对公共维度和特异性分配的权重差异，将步骤3中的被试分为不同潜类；步骤4.2：根据步骤4.1中对模型的定义，在设定潜类数的条件下，采用期望最大化算法对低维空间模型参数进行优化估计，使低维空间模型中样本间距离和步骤3中获得的原始不相似度矩阵之间的误差函数q最小，获取多个低维空间模型；优化估计的参数包括任一被试属于潜类t的概率λ，低维空间模型中坐标矩阵X和低维空间模型中权重矩阵W；其中对于某个低维空间模型而言，对于其中第t个潜类，代表样本集合中的两个声样本i和j间的距离为：其中xir为样本i在低维空间模型的第r个维度上的坐标，xjr为样本j在低维空间模型的第r个维度上的坐标，wtr为第t个潜类的权系数，si和sj为样本i和样本j的特异性维度，vt为特异性权重；步骤4.3：计算步骤4.2中获得的多个低维空间模型对应的AIC统计值或BIC统计值；得到其中统计值最小值对应的低维空间模型，并得到该低维空间模型对应的维度数；步骤4.4：在步骤4.3确定的维度数条件下，采用期望最大化算法对低维空间模型参数进行优化估计，使低维空间模型中样本间距离和步骤3中获得的原始不相似度之间的误差函数q最小，获取多个低维空间模型；再采用蒙特卡洛显著性测试来确定模型的潜类数，得到最优低维空间模型：步骤4.4.1：选择两个低维空间模型A和B，其中模型B的潜类数大于模型A的潜类数；使用模型A随机生成S个不相似度矩阵；步骤4.4.2：分别用模型A和模型B对这S个不相似度矩阵进行拟合，得到两个模型的似然函数，并得到模型A和模型B似然函数的比值β；再用模型A和模型B对步骤3中获得的原始不相似度矩阵进行拟合，也得到两个模型拟合原始不相似度矩阵的似然函数，并得到模型A和模型B拟合原始不相似度矩阵的似然函数的比值β0；β＞β0的概率为p，显著性水平为α，如果p＜α，则保留模型B，剔除模型A，反之保留模型A，剔除模型B；步骤4.4.3：重复步骤4.4.1和步骤4.4.2，得到最终的最优低维空间模型；步骤5：通过逐步回归分析方法建立步骤4得到的最优低维空间模型中各个维度的多元方程，并将多元方程中的自变量作为声品质模型的输入参量；步骤6：将步骤2中的双耳声样本分为训练集和测试集，将训练集中双耳声样本对应步骤5的参量作为神经网络模型的输入，步骤2获得的训练集中双耳声样本主观评分作为神经网络模型的输出，构建神经网络模型，并通过测试集验证构建的神经网络模型；若验证符合要求，则采用该神经网络模型作为被测产品的声品质模型。