基于改進(jìn)多樣性密度的性別識(shí)別

顧明亮 ，張世形 ，鮑 薇

1.江蘇師范大學(xué) 物理與電子工程學(xué)院，江蘇 徐州 221116

2.江蘇師范大學(xué) 語(yǔ)言科學(xué)學(xué)院，江蘇 徐州 221116

1 引言

20世紀(jì)90年代，Dietterich等[1]在對(duì)藥物活性預(yù)測(cè)問(wèn)題的研究中，提出了多示例學(xué)習(xí)的概念，其目的是通過(guò)對(duì)已知適合或不適合制藥的分子進(jìn)行分析來(lái)構(gòu)建一個(gè)學(xué)習(xí)系統(tǒng)，以盡可能準(zhǔn)確地預(yù)測(cè)某種分子是否適合制造藥物。此后，國(guó)內(nèi)外很多學(xué)者對(duì)該問(wèn)題進(jìn)行了研究，并應(yīng)用于其他領(lǐng)域：Maron[2]將多示例學(xué)習(xí)應(yīng)用于股票投資中的個(gè)股選擇問(wèn)題；Ruffo[3]將多示例學(xué)習(xí)應(yīng)用于數(shù)據(jù)挖掘；Andrews[4]、Huang[5]、Yang[6]、Zhang 等[7]分別將多示例學(xué)習(xí)用于圖像檢索；Chevaleyre等[8]用多示例學(xué)習(xí)研究了Mutagenesis問(wèn)題并取得了理想成果。在多示例學(xué)習(xí)中，訓(xùn)練樣本的歧義性比較特殊，使得多示例學(xué)習(xí)模型與傳統(tǒng)的機(jī)器學(xué)習(xí)模型有很大差別。多示例學(xué)習(xí)的這種獨(dú)特性質(zhì)和良好的應(yīng)用前景，使得多示例學(xué)習(xí)被稱為與監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)并列的第四種機(jī)器學(xué)習(xí)框架。

多示例學(xué)習(xí)（multi-instance learning）問(wèn)題可描述為：假設(shè)訓(xùn)練數(shù)據(jù)集中的每個(gè)數(shù)據(jù)是一個(gè)包（bag），每個(gè)包是一組示例（instances）集合，有一個(gè)訓(xùn)練標(biāo)記，而包中的示例沒(méi)有標(biāo)記。如果一個(gè)包被標(biāo)記為負(fù)包（negative bag），即用戶不感興趣的訓(xùn)練樣本，則包中的每一個(gè)示例為負(fù)例；如果包被標(biāo)記為正包（positive bag），即用戶感興趣的樣本，則包中至少一個(gè)示例為正例。學(xué)習(xí)算法通過(guò)對(duì)多個(gè)包組成的訓(xùn)練數(shù)據(jù)集進(jìn)行學(xué)習(xí)，生成一個(gè)分類(lèi)器，以盡可能正確地對(duì)訓(xùn)練集外的未知包（unseen bag）進(jìn)行預(yù)測(cè)。多示例學(xué)習(xí)框架可以用圖1來(lái)表示。

圖1 多示例學(xué)習(xí)框架示意圖

多示例學(xué)習(xí)提出后，國(guó)內(nèi)外很多學(xué)者對(duì)該問(wèn)題進(jìn)行了研究，并提出了很多有效的算法：Maron等[9]提出了多樣性密度（Diverse Density，DD）算法；Zhang等[10]將多樣性密度算法與EM算法結(jié)合起來(lái)，提出了EM-DD算法；Ramon等[11]構(gòu)造了多示例神經(jīng)網(wǎng)絡(luò)；Zhou等[12]通過(guò)使用特殊的誤差函數(shù)，提出了BP-MIP算法。

多樣性密度算法對(duì)后來(lái)的研究影響很大，很多學(xué)者都在此算法的基礎(chǔ)上進(jìn)行了研究。戴宏斌[13]、王春燕[14]、陳綿書(shū)等[15]以及龍哲[16]分別運(yùn)用多樣性密度算法進(jìn)行了圖像檢索方法的創(chuàng)新與應(yīng)用。目前，還沒(méi)有學(xué)者將多樣性密度算法應(yīng)用于語(yǔ)音識(shí)別中。本文利用多樣性密度算法能夠有效發(fā)掘語(yǔ)音信號(hào)內(nèi)在規(guī)律和分布的特點(diǎn)，并提出Instances-k近鄰分類(lèi)算法，探索了一種語(yǔ)音性別識(shí)別的方法。

2 多樣性密度算法及其改進(jìn)

2.1 多樣性密度算法

1998年，Maron等[9]提出了多樣性密度算法。在該算法中，給出了多樣性密度的概念，并規(guī)定在屬性空間中某點(diǎn)周?chē)霈F(xiàn)的正包數(shù)越多，且負(fù)包示例出現(xiàn)得越遠(yuǎn)，則該點(diǎn)的多樣性密度越大。多樣性密度點(diǎn)示意圖如圖2所示。

圖2 多樣性密度點(diǎn)示意圖

令代表第i個(gè)正包，代表第i個(gè)負(fù)包，則代表第i個(gè)正包中第j個(gè)示例的第k個(gè)屬性，代表第i個(gè)負(fù)包中第j個(gè)示例的第k個(gè)屬性。對(duì)于特征空間內(nèi)的任一點(diǎn)t，假設(shè)目標(biāo)概念點(diǎn)的概率為：

假設(shè)各包是條件獨(dú)立的，根據(jù)貝葉斯定理，上式可化為：

在實(shí)際應(yīng)用中，Maron使用了“noisy-or”模型，上式可化為：

其中：

Zhang和Goldman提出了EM-DD算法[10]，他們將DD算法與EM算法相結(jié)合來(lái)求解目標(biāo)特征t。EM-DD算法首先假設(shè)一個(gè)初始目標(biāo)特征h；然后E步從訓(xùn)練集的每個(gè)示例包中選出最靠近h的示例組成一個(gè)集合；再在M步中，采用梯度搜索法對(duì)E步中獲得的集合進(jìn)行計(jì)算，得到一個(gè)新的使多樣性密度最大的特征點(diǎn)h′，用h′代替h。重復(fù)E步和M步到算法收斂為止。由于DD算法要進(jìn)行多次梯度下降搜索來(lái)求解多樣性密度點(diǎn)，計(jì)算時(shí)間比較長(zhǎng)，效率不高，而EM-DD算法將多示例轉(zhuǎn)變?yōu)閱我皇纠?，提高了搜索效率?/p>

2.2 多樣性密度算法的改進(jìn)

2.2.1 雙類(lèi)別多樣性密度

雙類(lèi)別多樣性密度的定義：在多類(lèi)別訓(xùn)練樣本集合中，將A類(lèi)訓(xùn)練樣本包標(biāo)記為正，其他類(lèi)別樣本包標(biāo)記為負(fù)，通過(guò)EM-DD算法計(jì)算，得到A類(lèi)樣本的正最大多樣性密度點(diǎn)PA；反之，將A類(lèi)樣本包標(biāo)記為負(fù)，其他類(lèi)樣本包標(biāo)記為正，則得到A類(lèi)樣本的負(fù)最大多樣性密度點(diǎn)NA。如果待測(cè)未知包為A類(lèi)樣本包，則未知包中包含距離點(diǎn)PA最近和距離點(diǎn)NA最遠(yuǎn)的示例。

雙類(lèi)別多樣性密度的基本思想是對(duì)多類(lèi)別訓(xùn)練樣本集進(jìn)行兩類(lèi)多次標(biāo)記，以獲取訓(xùn)練樣本集的內(nèi)在規(guī)律與分布特點(diǎn)。假設(shè)樣本集合包含A、B、C三類(lèi)數(shù)據(jù)，以{A，B，C}樣本集合為例，PA、PB、PC分別代表A、B、C的正最大多樣性密度點(diǎn)，NA、NB、NC分別代表A、B、C的負(fù)最大多樣性密度點(diǎn)，則各最大多樣性密度點(diǎn)的標(biāo)記方式如表1。

表1 A、B、C的雙類(lèi)別多樣性密度點(diǎn)的標(biāo)記方式

假設(shè)男性最大正、負(fù)多樣性密度點(diǎn)為PM、NM，女性最大正、負(fù)多樣性密度點(diǎn)為PF、NF，則男、女信號(hào)的最大正、負(fù)多樣性密度點(diǎn)通過(guò)圖3表示方式得到。

圖3 男、女信號(hào)的最大正、負(fù)多樣性密度點(diǎn)

語(yǔ)音信號(hào)中只包含男、女兩類(lèi)信號(hào)，男性信號(hào)的最大正多樣性密度點(diǎn)PM也是女性信號(hào)的最大負(fù)多樣性密度點(diǎn)NF，同樣，點(diǎn)PF和點(diǎn)NM也為同一點(diǎn)。在語(yǔ)音識(shí)別技術(shù)中提取的語(yǔ)音特征往往是多維的：如32維、64維甚至是128維，因此很難在平面上描繪出樣本數(shù)據(jù)在空間中的具體分布。為了既形象又簡(jiǎn)便地描繪多樣性密度算法原理，本文在繪圖時(shí)將多維數(shù)據(jù)“降維”至二維數(shù)據(jù)，此時(shí)在樣本空間中點(diǎn)PM和點(diǎn)PF組成的雙點(diǎn)語(yǔ)言模型如圖4。

圖4 雙點(diǎn)模型下的分類(lèi)判決

需要說(shuō)明的是：在實(shí)際樣本空間中，圖4中虛線圓并不是一個(gè)平面圓，而是一個(gè)多屬性球，屬性數(shù)與提取的語(yǔ)音特征的維數(shù)相同。圖5和圖6采用同樣的描述方式。

圖5 k近鄰分類(lèi)算法

圖6 Instance-k近鄰分類(lèi)算法

在傳統(tǒng)的單點(diǎn)模型中，對(duì)未知包進(jìn)行分類(lèi)判決時(shí)，首先需要大量計(jì)算示例空間中最近示例到多樣性密度點(diǎn)的距離作為參考數(shù)據(jù)，然后人為地設(shè)置閾值θ。假設(shè)未知包中示例到男性樣本的多樣性密度點(diǎn)的最小Hausdorff距離為distance1，則判決公式如下：

在雙點(diǎn)模型下進(jìn)行分類(lèi)判決時(shí)，首先計(jì)算出示例空間中未知包中示例到兩類(lèi)別多樣性密度點(diǎn)的最小Hausdorff距離distance1、distance2，然后比較距離的大小關(guān)系，具體判決準(zhǔn)則如下：

雙點(diǎn)模型下的判決不需要進(jìn)行大量實(shí)驗(yàn)來(lái)人為設(shè)置閾值θ，減小了系統(tǒng)的運(yùn)算次數(shù)，節(jié)省了時(shí)間，提高了系統(tǒng)的效率。

2.2.2 Instance-k近鄰分類(lèi)算法

Instance-k近鄰算法的思想來(lái)自于理論上比較成熟的k近鄰分類(lèi)算法。在k近鄰分類(lèi)算法中，如果一個(gè)樣本在特征空間中的k個(gè)最鄰近樣本中的大多數(shù)屬于某一類(lèi)別，則該樣本也屬于這個(gè)類(lèi)別。圖5為k近鄰分類(lèi)算法示意圖。

Instance-k近鄰分類(lèi)算法：在示例空間中，選取未知包中距離各多樣性密度點(diǎn)最近的k個(gè)示例，計(jì)算這k個(gè)示例到各點(diǎn)的Hausdorff距離并求和，未知包屬于Hausdorff距離之和最小的那一類(lèi)。圖6為Instance-k近鄰分類(lèi)算法示意圖。

假設(shè)示例空間中存在三個(gè)多樣性密度點(diǎn)Pa、Pb、Pc，未知包中最近k個(gè)示例到各多樣性密度點(diǎn)的距離表示如下：

未知包類(lèi)別屬于距離最小的多樣性密度點(diǎn)所屬類(lèi)別：

當(dāng)Instance-k近鄰分類(lèi)算法中k=1時(shí)，其實(shí)就是示例最近鄰分類(lèi)算法。由圖5可以知道，在示例空間中，如果未知包中存在野點(diǎn)示例，最近鄰分類(lèi)算法會(huì)受到野點(diǎn)示例的影響而錯(cuò)誤分類(lèi)。Instance-k近鄰分類(lèi)算法可以有效地減小示例野點(diǎn)對(duì)分類(lèi)判決的影響，從而盡可能正確地對(duì)未知包進(jìn)行預(yù)測(cè)。

3 實(shí)驗(yàn)設(shè)計(jì)與分析

本實(shí)驗(yàn)語(yǔ)音全部采用國(guó)際標(biāo)準(zhǔn)OGI（Oregon Graduate Institute）語(yǔ)音數(shù)據(jù)庫(kù)。OGI語(yǔ)音數(shù)據(jù)庫(kù)包含11種國(guó)家的語(yǔ)言，每種語(yǔ)言都包含男女語(yǔ)音信號(hào)，本實(shí)驗(yàn)只選取普通話。訓(xùn)練集共80人，其中男性42人，女性38人；訓(xùn)練語(yǔ)音時(shí)長(zhǎng)約3 840 s，其中男性約1 920 s，女性1 920 s；測(cè)試集時(shí)長(zhǎng)約500 s，男女性各250 s。訓(xùn)練集和測(cè)試集不交叉，采樣頻率為8 kHz，量化比為16 bit。訓(xùn)練集用于多樣性密度點(diǎn)的訓(xùn)練，測(cè)試集用于系統(tǒng)的測(cè)試。

3.1 語(yǔ)音包的生成

在多示例學(xué)習(xí)中，包的生成至關(guān)重要，本文語(yǔ)音包的生成分為三個(gè)步驟：首先，計(jì)算機(jī)讀取語(yǔ)音信號(hào)后進(jìn)行預(yù)處理和特征提?。蝗缓髮⑻卣骷鶆蚯蟹譃閚段，其中n即為包的個(gè)數(shù)；最后，采用k-means算法將每段特征向量集聚類(lèi)為k個(gè)特征向量作為包中示例，k即為包中示例個(gè)數(shù)。圖7是包生成的原理框圖。

圖7 包生成原理圖

其中，預(yù)處理中所用的預(yù)加重濾波器為1-0.95z-1，窗函數(shù)為Hamming窗，語(yǔ)音信號(hào)幀長(zhǎng)取256點(diǎn)，幀移為128點(diǎn)；由于MFCC特征是性別分類(lèi)中最具區(qū)別性的參數(shù)之一，特征提取時(shí)提取語(yǔ)音信號(hào)的42維MFCC特征，包括對(duì)數(shù)能量、倒譜系數(shù)、一階差分系數(shù)和二階差分。訓(xùn)練包集由所有訓(xùn)練語(yǔ)音連接組成，包的最優(yōu)個(gè)數(shù)n和包中示例數(shù)k將通過(guò)實(shí)驗(yàn)進(jìn)行選擇；每一測(cè)試包由持續(xù)時(shí)長(zhǎng)2.5 s的測(cè)試語(yǔ)音生成，示例數(shù)與訓(xùn)練包中的示例數(shù)相等。

3.2 實(shí)驗(yàn)結(jié)果與分析

在尋找最優(yōu)數(shù)量的包數(shù)和示例數(shù)時(shí)，首先固定示例為32，比較不同包數(shù)對(duì)性別識(shí)別系統(tǒng)的影響。圖8表明當(dāng)訓(xùn)練包的數(shù)目不足200時(shí)，同一類(lèi)別的最大多樣性密度點(diǎn)不容易被發(fā)現(xiàn)，識(shí)別率不高；當(dāng)訓(xùn)練包數(shù)為200時(shí)，識(shí)別率最高，分別為男性93%、女性94%；當(dāng)訓(xùn)練包數(shù)大于200時(shí)，系統(tǒng)識(shí)別精度略有下降且趨于穩(wěn)定。綜合考慮計(jì)算成本與識(shí)別率，訓(xùn)練包數(shù)目設(shè)為200。

圖8 包數(shù)對(duì)性別識(shí)別系統(tǒng)的影響

考察示例數(shù)對(duì)性別識(shí)別系統(tǒng)的影響時(shí)，固定包數(shù)為200，改變示例的數(shù)量。觀察圖9可以知道，隨著示例數(shù)的增加，識(shí)別率會(huì)先提高后下降，且系統(tǒng)對(duì)示例數(shù)非常敏感。當(dāng)示例數(shù)設(shè)為32時(shí)，系統(tǒng)的平均識(shí)別率最高。

圖9 示例數(shù)對(duì)性別識(shí)別系統(tǒng)的影響

確定了訓(xùn)練包數(shù)目為200，示例數(shù)為32后，考察Instance-k近鄰分類(lèi)算法中k的選擇對(duì)系統(tǒng)的影響。從圖10可以看出，隨著k的增加，識(shí)別率先提高后下降。當(dāng)k等于3時(shí)，系統(tǒng)識(shí)別率達(dá)到最高值：男性97%，女性98%，提高了系統(tǒng)的識(shí)別率。但是，隨著k值的增加，識(shí)別率也在不斷下降。

圖10 k值對(duì)性別識(shí)別系統(tǒng)的影響

Instance-k近鄰分類(lèi)算法的作用是減小野點(diǎn)示例對(duì)分類(lèi)判決的影響，但隨著k值的增加，即參與計(jì)算的示例數(shù)增加，與多示例學(xué)習(xí)中利用未知包中單一示例進(jìn)行判決的差異性變大，判決結(jié)果可能會(huì)出現(xiàn)錯(cuò)誤，圖10證明了這一點(diǎn)。

4 結(jié)束語(yǔ)

利用雙類(lèi)別多樣性密度算法構(gòu)造了一個(gè)雙點(diǎn)語(yǔ)言模型，并在分類(lèi)階段提出了Instance-k近鄰分類(lèi)算法，進(jìn)行了語(yǔ)音性別識(shí)別。實(shí)驗(yàn)結(jié)果表明：采用改進(jìn)多樣性密度算法的多示例學(xué)習(xí)在語(yǔ)音性別識(shí)別上是可行的，系統(tǒng)的平均識(shí)別率最終達(dá)到了97%。

另外，在多示例學(xué)習(xí)問(wèn)題中，包的生成方法非常關(guān)鍵，將直接影響學(xué)習(xí)算法的分類(lèi)結(jié)果。因此，在今后的研究學(xué)習(xí)中，將繼續(xù)探究語(yǔ)音信號(hào)的包生成問(wèn)題，將作為多示例學(xué)習(xí)應(yīng)用于其他語(yǔ)音信號(hào)處理中。

[1]Dietterich T G，Lathrop R H，Lozano P T.Solving the multiple-instance problem with axisparallel rectangles[J].Artificial Intelligence，1997，89（1/2）：31-71.

[2]Maron O，Ratan A L.Multiple-instance learning for natural scene classification[C]//Proceedings of ICML，Madison，USA，1998：341-349.

[3]Ruffo G.Learning single and multiple instance decision tree for computer security applications[D].Torino：University of Turin，2000.

[4]Andrews S，Hofman T，Tsochantaridis I.Multiple instance learning with generalized support vector machines[C]//ProceedingsofAAAI/IAAI，Edmonton，Canada，2002：943-944.

[5]Huang X，Chen S C，Shy M L，et al.User concept pattern discovery using relevance feedback and multiple instance learning for content-based image retrieval[C]//Proceedings of MDM/KDD2002 Workshop，Edmomton，Canada，2002：100-108.

[6]Yang C，Lozano P T.Image database retrieval with multipleinstance learning techniques[C]//Proceedings of ICDE，San Diego，USA，2000：233-243.

[7]Zhang Q，Goldman S A，Yu W，et al.Content-based image retirveal using multiple-instance learning[C]//Proceedings of ICML，Sydney，Australian，2002：682-689.

[8]Chevaleyre Y，Zucker J D.Solving multiple-instance and multiple-part learning problems with decision trees and decision rules：application to the mutagenesis problem[C]//Proceedings of LNAI，Berlin，German，2001：204-214.

[9]Maron O，Ratan A L.A framework for multiple-instance learning[C]//Proceedings of NIPS，Cambridge，USA，1998：570-576.

[10]Zhang Q，Goldman S A.EM-DD：an improved multipleinstance learning technique[C]//Proceedings ofNIPS，Cambridge，USA，2001：1073-1080.

[11]Ramon J，Raedt L D.Multi-instance neural networks[C]//Proceedings of ICML，Stanford，USA，2000：53-60.

[12]Zhou Z H，Zhang M L.Neural networks for multi-instance learning[C]//Proceedings of ICIIT，Beijing，2002：455-459.

[13]戴宏斌，張靈敏，周志華.一種基于多示例學(xué)習(xí)的圖像檢索方法[J].模式識(shí)別與人工智能，2006，19（2）：179-185.

[14]王春燕，袁津生.一種結(jié)合多示例學(xué)習(xí)的圖像檢索方法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2010，19（6）：212-215.

[15]陳綿書(shū)，楊樹(shù)媛，趙志杰，等.多點(diǎn)多樣性密度算法及其在圖像檢索中的應(yīng)用[J].吉林大學(xué)學(xué)報(bào)：工學(xué)版，2011（5）：1456-1460.

[16]龍哲.基于多樣性密度的多示例學(xué)習(xí)方法[J].工業(yè)控制計(jì)算機(jī)，2012，25（7）：73-74.