數(shù)字語音課設(shè)報告（PNN語音情感識別系統(tǒng)）

1、數(shù)字語音處理課程設(shè)計(jì)課程設(shè)計(jì)報告題 目：語音情感識別系統(tǒng)設(shè)計(jì)學(xué) 院：信息科學(xué)與工程學(xué)院專業(yè)班級：電子信息工程1902班學(xué)生姓名：學(xué) 號：指導(dǎo)教師：20 22年6 月 13 日至20 22年 6 月 17 日武昌首義學(xué)院制參考文獻(xiàn)1梁瑞宇，趙力，王青云.語音信號處理（C+版）.北京：機(jī)械工業(yè)出版社，2018.2趙力.語音信號處理.第3版.北京：機(jī)械工業(yè)出版社，2016.3張雪英.數(shù)字語音處理及Matlab仿真.第二版.北京：電子工業(yè)出版社，2016.4梁瑞宇，趙力，魏昕.語音信號處理實(shí)驗(yàn)教程.北京：機(jī)械工業(yè)出版社，2016.5劉加.數(shù)字語音處理理論與應(yīng)用.北京：電子工業(yè)出版社，2019.課程設(shè)計(jì)

2、成績評定表成 績 評 定項(xiàng) 目比例得分平時成績（百分制記分）40%業(yè)務(wù)考核成績（百分制記分）.60%總評成績（百分制記分）100%評定等級優(yōu),良 中 及格不及格指導(dǎo)教師（簽名）：20年 月.日 TOC o 1-5 h z HYPERLINK l bookmark9 o Current Document 1緒論1 HYPERLINK l bookmark11 o Current Document 課程設(shè)計(jì)背景1 HYPERLINK l bookmark13 o Current Document 課程設(shè)計(jì)目的1 HYPERLINK l bookmark15 o Current Document 課

3、程設(shè)計(jì)內(nèi)容1 HYPERLINK l bookmark17 o Current Document 2系統(tǒng)設(shè)計(jì)1語音情感識別的基本原理1基本原理1 HYPERLINK l bookmark22 o Current Document 國內(nèi)外研究現(xiàn)狀2系統(tǒng)設(shè)計(jì)方案3系統(tǒng)總體設(shè)計(jì)方案3 HYPERLINK l bookmark27 o Current Document 基于概率神經(jīng)網(wǎng)絡(luò)(PNN)方法的語音情感識別4實(shí)驗(yàn)結(jié)果及分析4 HYPERLINK l bookmark29 o Current Document 基于概率神經(jīng)網(wǎng)絡(luò)(PNN)方法的語音情感識別的實(shí)驗(yàn)結(jié)果4 HYPERLINK l boo

4、kmark32 o Current Document 基于PNN方法與HMM的比照分析5 HYPERLINK l bookmark34 o Current Document 本章小結(jié)6 HYPERLINK l bookmark36 o Current Document 3 總結(jié)6 HYPERLINK l bookmark5 o Current Document 參考文獻(xiàn)81緒論課程設(shè)計(jì)背景當(dāng)今世界科技水平高速開展，人們也對計(jì)算機(jī)提出了更多要求。在人機(jī)交互系統(tǒng)中， 語音情感識別已成為關(guān)鍵技術(shù)之一。對語音信號的情感分析，使得人機(jī)交互更加流暢。智 能人機(jī)交互系統(tǒng)通過對操作者的情感進(jìn)行分析，可以更主動

5、、更準(zhǔn)確地去完成操作者的指 示，并實(shí)時調(diào)整對話的方式，使交流變得更加友好、和諧和智能。此外在單調(diào)的、高強(qiáng)度 的任務(wù)中，對執(zhí)行人員的某些負(fù)面情緒監(jiān)測具有使用價值，有效地識別這些負(fù)面情緒，有 助于提高個體認(rèn)知和工作效率，減少影響認(rèn)知和工作能力的因素。因此，對語音信號情感 識別的研究具有重要意義。課程設(shè)計(jì)目的了解語音情感識別的重要性和必要性；(2)熟練掌握語音情感識別原理分析、方法選型、系統(tǒng)總體架構(gòu)設(shè)計(jì)及功能設(shè)計(jì)、軟 件開發(fā)和調(diào)試；(3)熟練掌握語音情感識別的仿真方法；(4)編程實(shí)現(xiàn)概率神經(jīng)網(wǎng)絡(luò)PNN方法的語音情感識別,并且調(diào)試和實(shí)驗(yàn)結(jié)果仿真驗(yàn)證;(5)進(jìn)一步發(fā)現(xiàn)概率神經(jīng)網(wǎng)絡(luò)PNN方法的優(yōu)缺點(diǎn)，改進(jìn)

6、算法。課程設(shè)計(jì)內(nèi)容(1)設(shè)計(jì)準(zhǔn)備：認(rèn)真研究設(shè)計(jì)任務(wù)書，明確設(shè)計(jì)要求和條件；復(fù)習(xí)數(shù)字語音處理教材中第1-7章相關(guān) 內(nèi)容，了解語音情感識別理論及技術(shù)特點(diǎn)；自主學(xué)習(xí)教材和指導(dǎo)教師推薦的參考書目中關(guān) 于語音情感識別方法的相關(guān)內(nèi)容，擬定設(shè)計(jì)計(jì)劃。(2)語音情感識別原理分析、語音情感識別方法選型、語音情感識別系統(tǒng)總體架構(gòu)設(shè) 計(jì)及功能設(shè)計(jì)、語音情感識別系統(tǒng)的軟件開發(fā)和調(diào)試。(3)完成以上語音語音情感識別系統(tǒng)的設(shè)計(jì)和算法選型后，應(yīng)根據(jù)選定的方法進(jìn)行算 法設(shè)計(jì)、軟件編程、調(diào)試和實(shí)驗(yàn)結(jié)果仿真驗(yàn)證。(4)分組辯論。2系統(tǒng)設(shè)計(jì)語音情感識別的基本原理基本原理概率神經(jīng)網(wǎng)絡(luò)(PNN)主要思想是用貝葉斯決策規(guī)那么，即錯誤分類

7、的期望風(fēng)險最小，在多 維輸入空間內(nèi)別離決策空間。它是一種基于統(tǒng)計(jì)原理的人工神經(jīng)網(wǎng)絡(luò)，它是以Parzen窗口 函數(shù)為激活函數(shù)的一種前饋網(wǎng)絡(luò)模型。PNN吸收了徑向基神經(jīng)網(wǎng)絡(luò)與經(jīng)典的概率密度估計(jì) 原理的優(yōu)點(diǎn)，與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)相比，在模式分類方面尤其具有較為顯著的優(yōu)勢。PNN網(wǎng)絡(luò)由四局部組成：輸入層、樣本層、求和層和競爭層。PNN的工作過程：首先將 輸入向量1輸入到輸入層，在輸入層中，網(wǎng)絡(luò)計(jì)算輸入向量與訓(xùn)練樣本向量之間的差值 元一乙，差值絕對值元一匕的大小代表這兩個向量之間的距離，所得的向量由輸入層輸出, 該向量反映了向量間的接近程度；接著，輸入層的輸出向量一匕送入到樣本層中，樣本 層結(jié)點(diǎn)的數(shù)目等

8、于訓(xùn)練樣本數(shù)目的總和。樣本層的主要工作是：先判斷哪些類別與輸入向 量有關(guān)，再將相關(guān)度高的類別集中起來，樣本層的輸出值就代表相識度；然后，將樣本層 的輸出值送入到求和層，求和層的結(jié)點(diǎn)個數(shù)是“，每個結(jié)點(diǎn)對應(yīng)一個類，通過求和層的競 爭傳遞函數(shù)進(jìn)行判決；最后，判決的結(jié)果由競爭層輸出，輸出結(jié)果中只有一個1,其余結(jié) 果都是0,概率值最大的那一類輸出結(jié)果為1。國內(nèi)外研究現(xiàn)狀(1)國內(nèi)研究現(xiàn)狀：在國內(nèi)語音情感識別的起步相對較晚，從事這一領(lǐng)域研究比擬有代表性的研究單位主 要有上海交通大學(xué)，中國科學(xué)院聲學(xué)所，東南大學(xué)，南京大學(xué)聲學(xué)所，北京工業(yè)大學(xué)，北 京大學(xué)以及微軟亞洲研究所等。其中東南大學(xué)無線電工程系的趙力等人

9、在2001年首先提出 語音信號中的情感識別研究，并采用主元分析法進(jìn)行語音情感識別的深入研究；清華大學(xué) 計(jì)算機(jī)系的蔡永蓮等人也進(jìn)行了漢語普通話情感識別的研究，他們研究了韻律特征在漢語 普通話中情感識別的作用，并采用高斯混合模型和概率神經(jīng)網(wǎng)絡(luò)模型作為分類器，使得情 感識別率比擬理想；另外，2003年中國科學(xué)院自動化所等相關(guān)單位在北京舉行了第一屆中 國情感計(jì)算及智能交互學(xué)術(shù)會議，2005年該單位又舉辦了國際情感計(jì)算及智能交互學(xué)術(shù)會 議，將國內(nèi)甚至國際這個領(lǐng)域的知名研究者匯聚一堂，進(jìn)行學(xué)術(shù)交流，交流各自的研究進(jìn) 展，為情感計(jì)算和情感語音識別在中國的研究推廣做了較大的貢獻(xiàn)。(2)國外研究現(xiàn)狀：在國外，研

10、究最活躍的是MIT媒體實(shí)驗(yàn)室以及國際語音通信協(xié)會(ISCA)。2000年ISCA 在北愛爾蘭的貝爾法斯特召開了一個稱為“語音與情感：研究的概念框架”的研討會，使 眾多不同領(lǐng)域的研究者聚集一起討論語音情感識別問題，為語音情感識別的研究做出巨大 貢獻(xiàn)，現(xiàn)在該協(xié)會每兩年舉辦一次的Eurospeech或Interspeech國際會議，是語音研究領(lǐng) 域非常知名的大會。國外的相關(guān)研究也非常多，其中英國貝爾法斯特女王大學(xué)的教授側(cè)重 于心理學(xué)和語音分析，他們在情感感知和情感識別方面做了大量的研究，創(chuàng)立了世界上第 一個具有高自然度的情感語音庫，并開發(fā)了一個稱為feeltrace的工具來記錄人們從語音 中感受到的

11、情感信息；美國麻省理工媒體實(shí)驗(yàn)室的情感計(jì)算小組是世界上第一個大規(guī)模研 究情感及其計(jì)算的研究機(jī)構(gòu)，他們開發(fā)出了第一個語音情感合成系統(tǒng)“effect editor, 首次嘗試用基音頻率，時長，音質(zhì)和清晰度等聲學(xué)參數(shù)的變化合成情感語音；美國加州大 學(xué)那么致力于情感語音信號的分析，合成以及識別。在語音情感識別領(lǐng)域，他們以呼叫中心 的客服系統(tǒng)為背景，研究如生氣憤怒的負(fù)面情緒和高興中性的正面情緒之間的區(qū)別，他們 將語音情感識別技術(shù)集成入語音對話系統(tǒng)中，幫助計(jì)算機(jī)以更智能，更自然，更有效地和 人類進(jìn)行交流。雖然近幾年國內(nèi)外對于因情感識別的研究正在升溫，并取得了長足的進(jìn)步，但總體上 來說還處于初級階段，還有大

12、量的理論和技術(shù)問題有待深入和解決。比方情感的定義及不 同情感的分類界定，情感語音數(shù)據(jù)庫的采集，有效情感語音特征的尋找以及高效的情感識 別算法的研究等。下面是最主要的幾個問題?，F(xiàn)存的主要問題，一是，語音情感數(shù)據(jù)庫是 進(jìn)行語音情感識別的基礎(chǔ)，而目前沒有一個多情感多語言的標(biāo)準(zhǔn)國際通用語音庫可以研究。 已有的語音情感識別的研究成果大都建立在一個較小的素材范圍之上，用于研究的語音樣 本大多屬于人工材料，而且以模擬語料居多，所以在未來幾年的研究中，建立標(biāo)準(zhǔn)化的大 型情感語音數(shù)據(jù)庫將是研究者們努力的方向，也是務(wù)必解決的問題,只有解決了這個問題， 有關(guān)情感語音的研究才能獲得長足開展。二是，沒有一個適用于計(jì)算機(jī)

13、實(shí)現(xiàn)的情感計(jì)算并 且符合人類情感規(guī)律的模型，雖然現(xiàn)在存在較多的情感識別模型，但是大多都是來源于模 式識別，但模式識別和情感識別之間的聯(lián)系不是很直接，所以某些模式識別的模型很難直 接用于語音情感識別，建立情感模型首先考慮的應(yīng)是遵循情感心理特征并且適合情感計(jì)算 這一原那么。三是，沒有幫助情感計(jì)算研究者的計(jì)算機(jī)仿真平臺和情感計(jì)算庫。語音情感信 息處理技術(shù)和表情識別技術(shù)的不成熟是制約情感計(jì)算與和諧人機(jī)交互技術(shù)開展的瓶頸。最 后，由于人與人交流時，信息的獲得不僅僅是聲音，更多的一局部在面部表情，身體動作， 所以情感識別也應(yīng)該朝著多模式的方向開展，經(jīng)語音和其他信息結(jié)合起來進(jìn)行情感判斷。系統(tǒng)設(shè)計(jì)方案系統(tǒng)總體

14、設(shè)計(jì)方案一般說來，語音情感識別系統(tǒng)主要由3局部組成：語音信號采集、情感特征提取和情 感識別。語音信號采集模塊通過語音傳感器（例如，麥克風(fēng)等語音錄制設(shè)備）獲得語音信 號，并傳遞到下一個情感特征提取模塊對語音信號中與話者情感關(guān)聯(lián)緊密的聲學(xué)參數(shù)進(jìn)行 提取，最后送入情感識別模塊完成情感的判斷。需要特別指出的是，一個完整的語音情感 識別系統(tǒng)除了要完善上述3局部以外，還離不開兩項(xiàng)前期工作的支持：（1）情感空間的描 述；（2）情感語料庫的建立。情感空間的描述有多重標(biāo)準(zhǔn)，例如離散情感標(biāo)簽、激勵-評價 -控制空間和情感輪等,不同的標(biāo)準(zhǔn)決定了不同的情感識別方式,會對情感語料的收集標(biāo)注、 識別算法的選擇都產(chǎn)生影響。

15、情感語料庫更是語音情感識別研究的基礎(chǔ)，負(fù)責(zé)向識別系統(tǒng) 提供訓(xùn)練和測試用語料數(shù)據(jù)。國內(nèi)外相關(guān)研究根據(jù)研究者的出發(fā)點(diǎn)不同會各有側(cè)重，但歸 根結(jié)底都可以涵蓋到上述5個關(guān)鍵模塊之中。基于概率神經(jīng)網(wǎng)絡(luò)（PNN）方法的語音情感識別首先在程序中定義confusion_matrix_info混淆矩陣函數(shù)，計(jì)算混淆矩陣以及一些評 價指標(biāo)，并將混淆矩陣?yán)L圖出來。然后定義Normalization歸一化函數(shù)，用于樣本數(shù)據(jù)歸 一化，因?yàn)槔肞NN神經(jīng)網(wǎng)絡(luò)進(jìn)行語音情感識別，就要首先對輸入矩陣進(jìn)行歸一化處理， 這樣可以減小誤差，防止較小的值被較大的值覆蓋，然后計(jì)算歸一化的學(xué)習(xí)矩陣。其次將 歸一化好的，個樣本送入到網(wǎng)絡(luò)樣本

16、層中，因?yàn)槭怯斜O(jiān)督的學(xué)習(xí)算法，所以很容易就知道 每個樣本屬于哪種類型。假設(shè)樣本有冽個，那么一共可以分為，類，并且各類樣本的數(shù)目 相同，設(shè)為卻于是機(jī)=左*然后是模式距離的計(jì)算，該距離是指樣本矩陣與學(xué)習(xí)矩陣中 相應(yīng)元素之間的距離，在程序中定義distance_mat函數(shù)用于計(jì)算待測試樣本與所有訓(xùn)練樣 本的歐式距離。再然后樣本層徑向基函數(shù)的神經(jīng)元被激活，學(xué)習(xí)樣本與待識別樣本被歸一 化后，通常取標(biāo)準(zhǔn)差b=0.1的高斯型函數(shù)，定義Gauss函數(shù)用于測試樣本與訓(xùn)練樣本的距 離矩陣對應(yīng)的Gauss矩陣。然后假設(shè)樣本有加個，那么一共可以分為，類，并且各類樣本 的數(shù)目相同，設(shè)為左，那么可以在網(wǎng)絡(luò)的求和層求得各個

17、樣本屬于各類的初始概率和，定義Prob_mat函數(shù)測試樣本屬于各類的概率和矩陣。最后計(jì)算概率即第，個樣本屬于 第/類的概率。定義calss_results函數(shù)輸出測試樣本分類結(jié)果。在主函數(shù)中使用loadmat 訪問從.mat文件導(dǎo)入的結(jié)構(gòu)中的字段用于載入樣本集，再依次調(diào)用繪制矩陣函數(shù)圖形函數(shù)、 樣本數(shù)據(jù)歸一化函數(shù)、計(jì)算Gauss矩陣函數(shù)、測試樣本的分類函數(shù)，這樣完成了基于基于 概率神經(jīng)網(wǎng)絡(luò)（PNN）方法的語音情感識別。實(shí)驗(yàn)結(jié)果及分析基于概率神經(jīng)網(wǎng)絡(luò)（PNN）方法的語音情感識別的實(shí)驗(yàn)結(jié)果各類樣本集數(shù)分為fear （恐懼）17個，happy （快樂）17個，neutr （中立）16個， sad （

18、悲傷）17個，anger （憤怒）17個；樣本真實(shí)預(yù)測值分別為fear： 17 happy： 17 neutr： 16 sad： 17 anger： 17,如圖 2-1 所示。acc （精確率）、recall （召回率）、fl-score （精確率與召回率的平均值）均為1,如表2-1所示。confusion matrix-4fear happy neutr sad angerpredict圖2-1生成的熱力圖表27語音情感識別的實(shí)驗(yàn)結(jié)果In class fear:total samples: 17true predict samples: 17acc=1.0000recall=1.0000f-

19、score 二1.0000In class happy:total samples: 17true predict samples: 17acc=1.0000recall二1.0000fl-score=1.0000In class neutr:total samples: 16true predict samples: 16acc=1.0000recall二1.0000fl-score=1.0000In class sad:total samples: 17true predict samples: 17acc=1.0000recall=1.0000fl-score=1.0000In clas

20、s anger:total samples: 17true predict samples: 17acc=1.0000recall二1.0000fl-score=1.0000average f1=1. 0000基于PNN方法與HMM的比照分析基于HMM語音情感識別的基本思想是：在訓(xùn)練階段，用HMM的訓(xùn)練算法（分段K均值 算法），對情感語音數(shù)據(jù)庫中每種情感對應(yīng)的HMM建立模型，記為入i （i=l,2, 3,4）0在識別 階段，用前向-后向算法計(jì)算出各概率值P（0|入i）,其中0為待識別詞的觀察值序列，在 后處理階段選取最大P （01入i）值所對應(yīng)的情感為識別結(jié)果。PNN是基于統(tǒng)計(jì)原理設(shè)計(jì)的神經(jīng)網(wǎng)

21、絡(luò)模型。用類條件概率密度作為模式劃分的依據(jù)， 網(wǎng)絡(luò)由輸入層、特征層、總和層和輸出層構(gòu)成。輸入、輸出層由線性神經(jīng)元組成；特征層 為動態(tài)概率層，包含P個神經(jīng)元，P在網(wǎng)絡(luò)訓(xùn)練中動態(tài)變化；總和層節(jié)點(diǎn)是高斯核函數(shù)， 該核函數(shù)能對輸入產(chǎn)生局部響應(yīng)，從而將輸入空間劃分成假設(shè)干小的局部區(qū)間，以到達(dá)分類 和函數(shù)逼近的目的；輸出層包含K個神經(jīng)元，每個神經(jīng)元分別對應(yīng)一個要識別的語音基元 （實(shí)驗(yàn)中取K=10）o與多層感知器相比，網(wǎng)絡(luò)結(jié)構(gòu)在系統(tǒng)面臨外界環(huán)境因素改變時，僅須 對新進(jìn)的分類數(shù)據(jù)定義權(quán)值，而無須像其他類型的網(wǎng)絡(luò)結(jié)構(gòu)那樣加入新的分類數(shù)據(jù)和改變 全部的網(wǎng)絡(luò)權(quán)值，同時，該網(wǎng)絡(luò)學(xué)習(xí)速度很快，其學(xué)習(xí)所需的時間為零，因?yàn)?/p>

22、其網(wǎng)絡(luò)連結(jié) 權(quán)值只是直接從訓(xùn)練范例中加載所需數(shù)據(jù)，無迭代過程。當(dāng)模式矢量維數(shù)較高時，PNN具 有良好的分類性能和更快的訓(xùn)練速度。將說話時人的情感分為高興、憤怒、悲傷、厭惡、驚訝、害怕和中性，錄制一定數(shù)量 每種情感所包含的句子，先采用HMM語音識別模型識別，結(jié)果說明驚訝的識別率最低，為 69%,驚訝、害怕和生氣之間具有較高的混淆度。采取HMM語音識別模型，其平均識別率達(dá) 78. 1%,由此可知，采用HMM語音識別模型的識別效果一般。而用PNN模型識別，最低識別 率達(dá)74% 其中，對悲傷的識別達(dá)92. 6%,而平均情感識別率到達(dá)83. 4%。對HMM語音情感 識別模型和PNN的語音情感識別模型進(jìn)行

23、比擬看出，PNN模型在高興、憤怒、悲傷、驚訝、 害怕和中性的語音情感識別效果上較HMM模型得到了明顯的提高，厭惡的識別率沒有太大 的區(qū)別。采用PNN方法，語音情感的識別率得到較為明顯的提高。本章小結(jié)在本實(shí)驗(yàn)的設(shè)計(jì)中，基于概率神經(jīng)網(wǎng)絡(luò)(PNN)的語音情感識別已經(jīng)能夠正確的識別出5 種情感并且進(jìn)行分類，PNN模型準(zhǔn)確率可到達(dá)100%。PNN作為模擬人腦思維機(jī)制的工程模 式，吸收了徑向基神經(jīng)網(wǎng)絡(luò)與經(jīng)典的概率密度估計(jì)原理的優(yōu)點(diǎn)，與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)相 比，在模式分類方面尤其具有較為顯著的優(yōu)勢。其分類決策能力和對不確定性信息的描述 能力很強(qiáng)，但它對動態(tài)時間信號的描述能力不強(qiáng)。3總結(jié)PNN網(wǎng)絡(luò)結(jié)構(gòu)在系統(tǒng)面

24、臨外界環(huán)境因素改變時，僅須對新進(jìn)的分類數(shù)據(jù)定義權(quán)值，而 無須像其他類型的網(wǎng)絡(luò)結(jié)構(gòu)那樣加入新的分類數(shù)據(jù)和改變?nèi)康木W(wǎng)絡(luò)權(quán)值，同時，該網(wǎng)絡(luò) 學(xué)習(xí)速度很快，其學(xué)習(xí)所需的時間為零，因?yàn)槠渚W(wǎng)絡(luò)連結(jié)權(quán)值只是直接從訓(xùn)練范例中加載 所需數(shù)據(jù)，無迭代過程。當(dāng)模式矢量維數(shù)較高時，PNN具有良好的分類性能和更快的訓(xùn)練 速度。PNN訓(xùn)練時間短、不易產(chǎn)生局部最優(yōu)，而且它的分類正確率較高。無論分類問題多 么復(fù)雜只要有足夠多的訓(xùn)練數(shù)據(jù)，可以保證獲得貝葉斯準(zhǔn)那么下的最優(yōu)解。經(jīng)過本次課設(shè)， 概率神經(jīng)網(wǎng)絡(luò)(PNN)具有如下主要優(yōu)點(diǎn)：(1)訓(xùn)練容易，收斂速度快，從而非常適用于實(shí)時處理。在基于密度函數(shù)核估計(jì)的PNN 網(wǎng)絡(luò)中，每一個訓(xùn)練樣本確定一個隱含層神經(jīng)元，神經(jīng)元的權(quán)值直接取自輸入樣 本值。(2)可以實(shí)現(xiàn)任意的非線性逼近，用PNN網(wǎng)絡(luò)所形成的判決曲面與貝葉斯最優(yōu)準(zhǔn)那么下 的曲面非常接近。(3)隱含層采用徑向基的非線性映射函數(shù)，考慮了不同類別模式樣本的交錯影響，具 有很強(qiáng)的容錯性。只要有充足的樣本數(shù)據(jù)，概率神經(jīng)網(wǎng)絡(luò)都能收斂到貝葉斯分類 器，沒有BP網(wǎng)絡(luò)的局部極小值問題。(4)隱含層的傳輸函數(shù)可以選用各種用來估計(jì)概率密度的基函數(shù)，且分類結(jié)果對基函 數(shù)的形式不敏感。(5