[发明专利]一种基于变分高斯回归过程的语音数据处理方法

说明书

本发明公开了一种基于变分高斯回归过程的语音数据处理方法，基于变分高斯回归过程模型进行语音数据处理，所述变分高斯回归过程模型在VFE近似基础上，对对数似然函数进行变换，使得求出的最终下限变大，求出活动点集的自由变分高斯分布，自由变分高斯分布为映射近似中所需要的选取点的后验分布，按映射近似的方法来对语音数据进行处理。本发明提高计算的效率，对于最后求出的下限最大值中的部分项作出近似，在尽量减小相似性的损失的同时，使得计算效率能够大大提升。

技术领域

本发明涉及语音数据处理领域，具体涉及一种基于变分高斯回归过程的语音数据处理方法

背景技术

对于语音数据的处理是现代信息数据处理的很重要的一部分，通过按时间间隔分帧，对于每一帧语音数据，可以用一个高维列向量来表示它，每一维对应一个特征，如共振峰频率，带宽等等。这样就能将语音数据的处理问题转换为更为常见的数据处理问题，进而转换为回归问题；

高斯过程回归是一种机器学习回归方法，它是一种非参数回归方法，所以相较于参数回归方法，它的过拟合现象并不严重，而且预测结果具有概率意义，既有预测值，同时还有对于预测值的可信度的判断(通俗的讲，就是对于预测结果准确率的信心)，在对于小样本数据的处理上，高斯过程回归的效果相当好。

但是高斯过程回归也有一些问题，最主要的就是所花费的计算代价极大，在当下时代，数据处理中所涉及的都是量级十分巨大的数据，所以标准的高斯过程回归在实际应用中并没有得到推广。现有技术，最标准高斯过程回归的最大问题就是计算量太大，换句话来说就是计算时间太长。而之后的各种近似包括VFE近似都是在尽量保证准确性的基础上，使得计算量减小，不可避免的会造成准确度的降低。

发明内容

发明目的：本发明在VFE((Variational Free approximation VariatioinalFree Energy approximation))近似模型的基础上进一步缩小PP近似(Project processapproximation，映射近似)模型和标准高斯过程回归模型两者对数似然函数之间的差异，从而提升预测准确性。

本发明技术方案如下。

一种基于变分高斯回归过程的语音数据处理方法，基于变分高斯回归过程模型进行语音数据处理，变分高斯回归过程模型在VFE近似基础上，对对数似然函数进行变换，将对数似然函数进行最小化，求出活动点集的自由变分高斯分布，自由变分高斯分布为映射近似中所需要的选取点的后验分布，按映射近似的方法来对语音数据进行处理。

一种基于变分高斯回归过程的语音数据处理方法，具体包括以下步骤：

S01，语音数据按时间间隔分帧，对每一帧数据提取特征数据，将特征数据组成训练数据，数量记为N，每个特征数据为d维数据；

S02，确定所需要的活动点的数量，记为m，在对数似然函数表达式进行变换之后，通过运用詹森不等式，计算得出一个下限，求出活动点集所服从的自由高斯分布；

S03，采用贪婪算法确定活动点集中的m个元素；

S04，对求出的对数似然函数下限中的参数求偏导，采用优化方法对偏导数进行最小化，得出参数的最优解；

S05，将步骤S04中求出的参数代入到步骤S02中的活动点集高斯分布中，并按照PP近似的方法来求出语音数据的预测值，实现对语音数据的回归。

步骤S02具体包括以下步骤：

(201)对数似然函数表达式为式(1)：

ln^p(y)＝ln∫∫p(y|f)p(f|f_m)p(f_m)dfdf_m (1)