一种基于矢量量化的音频场景分析方法
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
! 基金项目 "
哈尔滨工业大学跨学科交叉研究基金 （#$%&’(& 资助。 )****+）
比通过其它感觉器官所获取的信息量更大。正因为 音频信息在人类生活中具有非常重要的作用， 所以 人们对音频信息的研究历来都很重视。 基于音频的场景分析技术就是要根据不同场 景的音频信息来对场景进行分类。该技术对机器自 动感知环境特征， 提高自动化程度， 以及对视频内 容进行检索和改进未来多媒体电子产品性能等具 有重要的意义。 利用音频进行场景分析可以采用时域的过零 率和能量等特征， 以及频域和倒谱域的特征， 所用 的方法可以是简单的阈值判断的方法 !+".!)"， 基于隐马 （#/0012 ’34567 ’6018 ） 方法 !9"， 基 尔可夫模型 #’’ 于人工神经网络 :;; <:4=/>/?/38 ;1@438 ;1=A645B 的 方法 !C"， 以及基于规则的方法 !D"。下文中笔者考虑到 人耳的听觉特性， 采用反映人类听觉特性的 ’18 倒 谱系数 ’EFF （’18 >41G@12?H ?1IJ=438 ?61>>/?/12= ） 作 为音频信号特征， 提出了一种用矢量量化来进行音 频场景分析的方法。该方法首先利用从不同场景中 提取的音频信号特征， 通过矢量量化的方法来训练 各个场景模板， 并构建这些场景的模板库。然后在 场景分类时， 取与待测音频信号匹配距离最小的模 《电声技术》 !""! 年第 # 期总第 !"$ 期
・ 论文 ・
!"#"$%& ’()"*
要】基于音频的场景分析技术对机器自动感知环境特征， 提高自动化程度等具有重要的
意义。考虑到人耳的听觉特性， 采用反映人类听觉特性的 ’18 倒谱系数 ’EFF （’18 >41G@12?H ?1IK 作为音频信号特征， 提出了一种用矢量量化来进行音频场景分析的方法。 J=438 ?61>>/?/12= ） 【关键词】音频信号； 场景分析； 矢量量化； ’18 倒谱系数 【!"#$%&’$ 】 %L1 =1?L2/G@1J 6> 3@0/6 J?121 3238HJ/J 341 714H /MI64=32= >64 =L1 3@=6M3=/? 3A34121JJ 6> N3?5O46@20 1712=J 320 /MI467/2O =L1 3@=6M3=/62& $2 =L/J I3I14. =L1 3@0/=64H ?L343?K =14J 6> L@M32 N1/2O 341 ?62J/014/2O. =L@J. =L1 ’EFF <’18 >41G@12?H ?1IJ=438 ?61>>/?/12=B. AL/?L 41I41J12=J =L1 3@0/=64H ?L343?=14J. /J 306I=10 3J =L1 >13=@41 6> 3@0/6 J/O238. 320 3 M1=L60 6> 3@K 0/6 J?121 3238HJ/J N3J10 62 71?=64 G@32=/P3=/62 /J I46I6J10& 【()* +,%-#】 3@0/6 J/O238Q J?121 3238HJ/JQ 71?=64 G@32=/P3=/62Q ’18 >41G@12?H ?1IJ=438 ?61>K >/?/12=
! 作者简介 "
韩纪庆， 哈尔滨工业大学计算机系副教授、 博士； 计算 机应用教研室常务副主任，语音处理研究室主任。
$RRR 会员，中国 人 工 智 能 学 会 机 器 感 知 与 虚 拟 现 实
专业委员会委员，黑龙江省计算机学会 高 级 会 员 ， 中 国声学学会会员。主要从事语音处理， 智能信息处理 等研究。
（+ ）
"# A$B9!C7D’/# A& E$?:BFA ! B1F’$/& 1H !!# !( （"） G$ & 9 !
其中 ’$ /& 1 代表第 $ 帧的第 & 个 (-. 频带的能量输 出， % 为 (-. 频带的总数， ( 为 ()** 的总维数。
《电声技术》 !""! 年第 #ห้องสมุดไป่ตู้期总第 !"$ 期
+ 引言
智能化是未来信息社会的重要标志， 为了满足 未来人与计算机进行交互的需要，研究智能化、 人 性化的交互手段就显得尤为重要。建立友好的人机 交互手段， 是近年来人们一直努力的方向。音频信 息在人机交互中起着非常重要的作用， 首先， 人类 接受的信息 ,*- 来自于视觉和听觉， 而音频是人类 除视频之外最重要的信息获取形式； 其次， 音频信 息具有其它形式信息所不能比拟的优点：确切、 直 观、 具体生动； 第三， 通过听觉所获得的信息量往往
返回第步重新模式匹配设待分类的音频信号是一个矢量序列在进行模式匹配时它的每一个矢量都与某一类参考模板中的各个码本进行距离计算找出与其最近的一个滤波器组进行滤波并将每个滤波频带内的能量进行叠加将叠加后的结果进行离散余弦变换最后即可获得ab9
数 字 声 频
一种基于矢量量化的音频场景 分析方法
韩纪庆，徐希利 （哈尔滨工业大学 计算机科学与工程系，黑龙江 哈尔滨 +D***+ ） 【摘
（+ ） , 9 ! ! &T61A/ 3Q* B 0 39! R$R
（6 ）
图 ! 音频场景分析的系统框图
板所对应的场景作为分类的结果见图 !。
" 音频信号的特征提取
音频信号是随时间而变的一维信号， 在对音频 信号进行数字化前， 必须先进行防混叠滤波， 滤除 高于 ! # " 采样频率的信号成分或噪声； 然后采用模 数转换器将模拟信号转化为数字音频信号， 便于计 算机的处理。 音频信号是一种典型的非平稳信号， 但音频信 号常常可假定为短时平稳的， 即在 !$%"$ &’ 这样的 时间段内， 其频谱特性和某些物理特征参量可近似 地看作是不变的。这样就可以采用平稳过程的分析 处理方法来处理。一般是用一个长度有限的窗序列 截取一段音频信号来进行分析， 并让这个窗滑动以 便分析任一时刻附近的信号。被截取出来的一段音 频信号称为一帧信号， 音频信号的特征计算都是以 帧为单位进行的。下面介绍 ()** 的特征。 人耳具有一些特殊的功能， 这些功能使得人耳 在嘈杂的环境中， 以及各种变化的情况下仍能正常 地分辨出各种声音，其中耳蜗起了很关键的作用。 耳蜗实质上的作用相当于一个滤波器组， 耳蜗的滤 波作用是在对数频率尺度上进行的， 在 ! $$$ +, 以 下为线性尺度， 这就使得 ! $$$ +, 以上为对数尺度， 人耳对低频信号比对高频信号更敏感。根据这一原 则， 有人根据心理学实验得到了类似于耳蜗作用的 一组滤波器组， 这就是 (-. 频率滤波器组。 (-. 频率 可用公式表达如下/01： （!=! # >$$?$ ） （! ） &-. 23-45-6789" :;: .<!$ 其中 ! 为频率。 对 加 窗 后 的 音 频 信 号 进 行 ))@ 变 换 后 ， 根 据 (-. 滤波器组进行滤波，并将每个滤波频带内的能 量进行叠加，将叠加后的结果进行离散余弦变换， 最后即可获得 ()** 特征/>1：
;
数 字 声 频
矢量与这一参考模板的距离， 最终取该矢量与所有 参考模板距离最小的类作为分类结果。
’!! %!
正确率 * 0
)
实验与讨论
为了考核系统性能， 用录音机分别在不同的声
正确率 * 0
!"#"$%& ’()"*
#! )! &! ! ’! &! +!
码本 * 个
音场景下录制了各自 ’! ,-. 的音频信号数据， 这些 场景包括： 学生食堂、 实验室、 公园、 公路旁、 图书馆 和建筑工地。然后通过声卡将这些音频信号进行数 字化， 再存储到计算机中。 首先考核了采用不同时间长度的数据来训练 参考模板时对系统性能的影响。对各个场景分别提 取 了 +! /， #! /， (! /， ’&! / 的 音 频 信 号 数 据 来 训 练 参考模板， 各个参考模板的码本大小都取为 )! 。测 试音频信号数据是随机的从各个场景非训练数据 中截取的 &! / 数据， 实验结果如图 & 所示。可以看 出， 训练数据的长度越长， 系统识别率就越高。在实 验中， 当训练数据用 (! / 的音频 信 号 后 ， 性能即接 近稳定， 此时的分类正确率约为 (!0 。
,
由于 ()** 特征反映了人类的听觉特性， 因而
信号 预处理 特征提取 训练 参考模板 识别 模式匹配 结果
它是当前语音识别领域广泛使用的特征。下面采用 该特征来进行音频场景分析。
数 字 声 频
!"#"$%& ’()"*
I 模式匹配
!"# 模板的产生
音频场景的参考模板是使用矢量量化的方法 生成的， 具体采用了 JKL 算法/M1， 其步骤如下。 给定初始码本为 * ) ， 置 " 已知码本大小为 )， 迭代次数 +9$ ， 设起始平均失真 , 停止门限 # （!O#O$ ） 。 根据最佳划分原则 $ 用码本 * ) 为已知形心， 把 -.9C/ !， …， 即 / "， / 0H划分为 ) 个胞腔， （/ Q* # ） （/ Q* 2 ） .# 9C/ P1 !1 Q2## Q* 2Q* # $* ) Q/ $-.H （# 9! ， …， "， )） 平均失真为 % 计算平均失真与相对失真，
5 $ .2
!/
A+B
其中 .2 表示集合 .2 中元素的个数，用这 ) 个新形 心构成新的码本 * ) ， 并置 +9+=! ， 返回第 $ 步重新
" !#， 进行迭代， 直到, 即可得到所要求的码本 * )。 !"$ 模式匹配
设待分类的音频信号是一个矢量序列， 在进行 模式匹配时， 它的每一个矢量都与某一类参考模板 中的各个码本进行距离计算， 找出与其最近的一个 码本距离作为 累积距离， 将该 矢量序列中各 个矢量与参考 模板的总体累 积距离作为该
%
A$B
（E! ）
给定迭代 "N，
A+B
A+B
A+B
(
S
式中 / 3$-. ， …， 29!， "， 0。相对失真为
（+ ） " 9 , , （+4! ）
E,
（+ ）
,
（+ ）
" !# ， 若, 则满足设计要求， 当前的码本 * ) 就是设
A+B
（+ ）
计好的码本， 否则进行第& 步。
& 利用如下公式计算形心 * 2 * 29 ! .2
’!! %! #! )! &! ! +! #! (! !*/ ’&!
)!
图 + 码本大小对系统性能的影响
$
结论
上文考虑到人耳的听觉特性， 采用反映人类听
觉特性的 145 倒谱系数 1233 作为音频特征， 提出 了一种用矢量量化来进行音频场景分析的方法。所 提出的方法比使用能量、 过零率等时域特征的效果 要好， 其 运 算 也 要 比 基 于 611， 788 的 方 法 要 简 单。对公园等 # 种场景的分类实验， 可达到 (!0 的 分类正确率。有关进一步深入的研究仍在进行中。
9 参考文献 : 9’: ;< ((#< 9&: Q< =FL4-A4AP 1< =5>.4R< 3H./DA?FD-H. >.@ QG>5?>D-H. HI > BHS?/D 1?5D-I4>D?A4 =K44FL * 1?/-F E-/FA-,-.>DHA< 344@-.N/ HI O37==M("P ’(("< 9+: J< 35>AU/H.P 7< M4.D5>.@< QVDA>FD-.N 3H.D4VD 2AH, Q.T G-AH.,4.D>5 7?@-H< MAHF44@-.N/ HI ’((% W4>A>S54 3H,T M?D4A =R,KH/-?,P ’((%P ’$)C’$$< 9): X< Y-?P ;< 6?>.NP Z< W>.N< 7?@-H 24>D?A4 QVDA>FD-H. >.@ 7.>5R/-/ IHA =F4.4 35>//-I-F>D-H.< OQQQ ’/D 1?5D-,4@-> WHAU/LHKP ’(("< 9$: [< XL>.NP 3< \?H< 7?@-H 3H.D4.D 7.>5R/-/ IHA ].5-.4 7?@-HG-/?>5 E>D> =4N,4.D>D-H. >.@ 35>//-I-F>D-H.< [A>./< 9#: ;< ’&)"< 9": =< E>G-/P M< 14A,45/D4-.< 3H,K>A-/H. HI M>A>,4D4A B4KT A4/4.D>D-H./ IHA 1H.H/R55>S-F WHA@ B4FHN.-D-H.< [A>./< ]. 7FH?/D-F/P ’(%!P &%^&_‘+$"C+##< 9%: Z< Y-.@4P 7< J?bHP B< cA>R< 7. 75NHA-DL, IHA d4FDHA a?>.D-b4A E4/-N.< OQQQ [A>./< ]. 3H,,?.-F>D-H./<’(%!P &%^’_‘%)C($< % 收稿日期 & $""’!"(!’’ OQQQ =K44FL >.@ =-N.>5 MAHF4//-.NP H. =K44FL >.@ 7?@-H MAHF4//-.NP M-FH.4< &!!’P ))’C)$"< =-N.>5 1H@45-.N [4FL.-a?4/ -. =K44FL B4FHN.-D-H.< MAHF44@-.N/ HI OQQQP ’((+P %’ ^(_‘’&’$ C OQQQ (^)_‘ MAHF44@-.N/ HI MAHT =>?.@4A/< B4>5 CD-,4 E-/FA-,-.>D-G4 HI JAH>@F>/D
哈尔滨工业大学跨学科交叉研究基金 （#$%&’(& 资助。 )****+）
比通过其它感觉器官所获取的信息量更大。正因为 音频信息在人类生活中具有非常重要的作用， 所以 人们对音频信息的研究历来都很重视。 基于音频的场景分析技术就是要根据不同场 景的音频信息来对场景进行分类。该技术对机器自 动感知环境特征， 提高自动化程度， 以及对视频内 容进行检索和改进未来多媒体电子产品性能等具 有重要的意义。 利用音频进行场景分析可以采用时域的过零 率和能量等特征， 以及频域和倒谱域的特征， 所用 的方法可以是简单的阈值判断的方法 !+".!)"， 基于隐马 （#/0012 ’34567 ’6018 ） 方法 !9"， 基 尔可夫模型 #’’ 于人工神经网络 :;; <:4=/>/?/38 ;1@438 ;1=A645B 的 方法 !C"， 以及基于规则的方法 !D"。下文中笔者考虑到 人耳的听觉特性， 采用反映人类听觉特性的 ’18 倒 谱系数 ’EFF （’18 >41G@12?H ?1IJ=438 ?61>>/?/12= ） 作 为音频信号特征， 提出了一种用矢量量化来进行音 频场景分析的方法。该方法首先利用从不同场景中 提取的音频信号特征， 通过矢量量化的方法来训练 各个场景模板， 并构建这些场景的模板库。然后在 场景分类时， 取与待测音频信号匹配距离最小的模 《电声技术》 !""! 年第 # 期总第 !"$ 期
・ 论文 ・
!"#"$%& ’()"*
要】基于音频的场景分析技术对机器自动感知环境特征， 提高自动化程度等具有重要的
意义。考虑到人耳的听觉特性， 采用反映人类听觉特性的 ’18 倒谱系数 ’EFF （’18 >41G@12?H ?1IK 作为音频信号特征， 提出了一种用矢量量化来进行音频场景分析的方法。 J=438 ?61>>/?/12= ） 【关键词】音频信号； 场景分析； 矢量量化； ’18 倒谱系数 【!"#$%&’$ 】 %L1 =1?L2/G@1J 6> 3@0/6 J?121 3238HJ/J 341 714H /MI64=32= >64 =L1 3@=6M3=/? 3A34121JJ 6> N3?5O46@20 1712=J 320 /MI467/2O =L1 3@=6M3=/62& $2 =L/J I3I14. =L1 3@0/=64H ?L343?K =14J 6> L@M32 N1/2O 341 ?62J/014/2O. =L@J. =L1 ’EFF <’18 >41G@12?H ?1IJ=438 ?61>>/?/12=B. AL/?L 41I41J12=J =L1 3@0/=64H ?L343?=14J. /J 306I=10 3J =L1 >13=@41 6> 3@0/6 J/O238. 320 3 M1=L60 6> 3@K 0/6 J?121 3238HJ/J N3J10 62 71?=64 G@32=/P3=/62 /J I46I6J10& 【()* +,%-#】 3@0/6 J/O238Q J?121 3238HJ/JQ 71?=64 G@32=/P3=/62Q ’18 >41G@12?H ?1IJ=438 ?61>K >/?/12=
! 作者简介 "
韩纪庆， 哈尔滨工业大学计算机系副教授、 博士； 计算 机应用教研室常务副主任，语音处理研究室主任。
$RRR 会员，中国 人 工 智 能 学 会 机 器 感 知 与 虚 拟 现 实
专业委员会委员，黑龙江省计算机学会 高 级 会 员 ， 中 国声学学会会员。主要从事语音处理， 智能信息处理 等研究。
（+ ）
"# A$B9!C7D’/# A& E$?:BFA ! B1F’$/& 1H !!# !( （"） G$ & 9 !
其中 ’$ /& 1 代表第 $ 帧的第 & 个 (-. 频带的能量输 出， % 为 (-. 频带的总数， ( 为 ()** 的总维数。
《电声技术》 !""! 年第 #ห้องสมุดไป่ตู้期总第 !"$ 期
+ 引言
智能化是未来信息社会的重要标志， 为了满足 未来人与计算机进行交互的需要，研究智能化、 人 性化的交互手段就显得尤为重要。建立友好的人机 交互手段， 是近年来人们一直努力的方向。音频信 息在人机交互中起着非常重要的作用， 首先， 人类 接受的信息 ,*- 来自于视觉和听觉， 而音频是人类 除视频之外最重要的信息获取形式； 其次， 音频信 息具有其它形式信息所不能比拟的优点：确切、 直 观、 具体生动； 第三， 通过听觉所获得的信息量往往
返回第步重新模式匹配设待分类的音频信号是一个矢量序列在进行模式匹配时它的每一个矢量都与某一类参考模板中的各个码本进行距离计算找出与其最近的一个滤波器组进行滤波并将每个滤波频带内的能量进行叠加将叠加后的结果进行离散余弦变换最后即可获得ab9
数 字 声 频
一种基于矢量量化的音频场景 分析方法
韩纪庆，徐希利 （哈尔滨工业大学 计算机科学与工程系，黑龙江 哈尔滨 +D***+ ） 【摘
（+ ） , 9 ! ! &T61A/ 3Q* B 0 39! R$R
（6 ）
图 ! 音频场景分析的系统框图
板所对应的场景作为分类的结果见图 !。
" 音频信号的特征提取
音频信号是随时间而变的一维信号， 在对音频 信号进行数字化前， 必须先进行防混叠滤波， 滤除 高于 ! # " 采样频率的信号成分或噪声； 然后采用模 数转换器将模拟信号转化为数字音频信号， 便于计 算机的处理。 音频信号是一种典型的非平稳信号， 但音频信 号常常可假定为短时平稳的， 即在 !$%"$ &’ 这样的 时间段内， 其频谱特性和某些物理特征参量可近似 地看作是不变的。这样就可以采用平稳过程的分析 处理方法来处理。一般是用一个长度有限的窗序列 截取一段音频信号来进行分析， 并让这个窗滑动以 便分析任一时刻附近的信号。被截取出来的一段音 频信号称为一帧信号， 音频信号的特征计算都是以 帧为单位进行的。下面介绍 ()** 的特征。 人耳具有一些特殊的功能， 这些功能使得人耳 在嘈杂的环境中， 以及各种变化的情况下仍能正常 地分辨出各种声音，其中耳蜗起了很关键的作用。 耳蜗实质上的作用相当于一个滤波器组， 耳蜗的滤 波作用是在对数频率尺度上进行的， 在 ! $$$ +, 以 下为线性尺度， 这就使得 ! $$$ +, 以上为对数尺度， 人耳对低频信号比对高频信号更敏感。根据这一原 则， 有人根据心理学实验得到了类似于耳蜗作用的 一组滤波器组， 这就是 (-. 频率滤波器组。 (-. 频率 可用公式表达如下/01： （!=! # >$$?$ ） （! ） &-. 23-45-6789" :;: .<!$ 其中 ! 为频率。 对 加 窗 后 的 音 频 信 号 进 行 ))@ 变 换 后 ， 根 据 (-. 滤波器组进行滤波，并将每个滤波频带内的能 量进行叠加，将叠加后的结果进行离散余弦变换， 最后即可获得 ()** 特征/>1：
;
数 字 声 频
矢量与这一参考模板的距离， 最终取该矢量与所有 参考模板距离最小的类作为分类结果。
’!! %!
正确率 * 0
)
实验与讨论
为了考核系统性能， 用录音机分别在不同的声
正确率 * 0
!"#"$%& ’()"*
#! )! &! ! ’! &! +!
码本 * 个
音场景下录制了各自 ’! ,-. 的音频信号数据， 这些 场景包括： 学生食堂、 实验室、 公园、 公路旁、 图书馆 和建筑工地。然后通过声卡将这些音频信号进行数 字化， 再存储到计算机中。 首先考核了采用不同时间长度的数据来训练 参考模板时对系统性能的影响。对各个场景分别提 取 了 +! /， #! /， (! /， ’&! / 的 音 频 信 号 数 据 来 训 练 参考模板， 各个参考模板的码本大小都取为 )! 。测 试音频信号数据是随机的从各个场景非训练数据 中截取的 &! / 数据， 实验结果如图 & 所示。可以看 出， 训练数据的长度越长， 系统识别率就越高。在实 验中， 当训练数据用 (! / 的音频 信 号 后 ， 性能即接 近稳定， 此时的分类正确率约为 (!0 。
,
由于 ()** 特征反映了人类的听觉特性， 因而
信号 预处理 特征提取 训练 参考模板 识别 模式匹配 结果
它是当前语音识别领域广泛使用的特征。下面采用 该特征来进行音频场景分析。
数 字 声 频
!"#"$%& ’()"*
I 模式匹配
!"# 模板的产生
音频场景的参考模板是使用矢量量化的方法 生成的， 具体采用了 JKL 算法/M1， 其步骤如下。 给定初始码本为 * ) ， 置 " 已知码本大小为 )， 迭代次数 +9$ ， 设起始平均失真 , 停止门限 # （!O#O$ ） 。 根据最佳划分原则 $ 用码本 * ) 为已知形心， 把 -.9C/ !， …， 即 / "， / 0H划分为 ) 个胞腔， （/ Q* # ） （/ Q* 2 ） .# 9C/ P1 !1 Q2## Q* 2Q* # $* ) Q/ $-.H （# 9! ， …， "， )） 平均失真为 % 计算平均失真与相对失真，
5 $ .2
!/
A+B
其中 .2 表示集合 .2 中元素的个数，用这 ) 个新形 心构成新的码本 * ) ， 并置 +9+=! ， 返回第 $ 步重新
" !#， 进行迭代， 直到, 即可得到所要求的码本 * )。 !"$ 模式匹配
设待分类的音频信号是一个矢量序列， 在进行 模式匹配时， 它的每一个矢量都与某一类参考模板 中的各个码本进行距离计算， 找出与其最近的一个 码本距离作为 累积距离， 将该 矢量序列中各 个矢量与参考 模板的总体累 积距离作为该
%
A$B
（E! ）
给定迭代 "N，
A+B
A+B
A+B
(
S
式中 / 3$-. ， …， 29!， "， 0。相对失真为
（+ ） " 9 , , （+4! ）
E,
（+ ）
,
（+ ）
" !# ， 若, 则满足设计要求， 当前的码本 * ) 就是设
A+B
（+ ）
计好的码本， 否则进行第& 步。
& 利用如下公式计算形心 * 2 * 29 ! .2
’!! %! #! )! &! ! +! #! (! !*/ ’&!
)!
图 + 码本大小对系统性能的影响
$
结论
上文考虑到人耳的听觉特性， 采用反映人类听
觉特性的 145 倒谱系数 1233 作为音频特征， 提出 了一种用矢量量化来进行音频场景分析的方法。所 提出的方法比使用能量、 过零率等时域特征的效果 要好， 其 运 算 也 要 比 基 于 611， 788 的 方 法 要 简 单。对公园等 # 种场景的分类实验， 可达到 (!0 的 分类正确率。有关进一步深入的研究仍在进行中。
9 参考文献 : 9’: ;< ((#< 9&: Q< =FL4-A4AP 1< =5>.4R< 3H./DA?FD-H. >.@ QG>5?>D-H. HI > BHS?/D 1?5D-I4>D?A4 =K44FL * 1?/-F E-/FA-,-.>DHA< 344@-.N/ HI O37==M("P ’(("< 9+: J< 35>AU/H.P 7< M4.D5>.@< QVDA>FD-.N 3H.D4VD 2AH, Q.T G-AH.,4.D>5 7?@-H< MAHF44@-.N/ HI ’((% W4>A>S54 3H,T M?D4A =R,KH/-?,P ’((%P ’$)C’$$< 9): X< Y-?P ;< 6?>.NP Z< W>.N< 7?@-H 24>D?A4 QVDA>FD-H. >.@ 7.>5R/-/ IHA =F4.4 35>//-I-F>D-H.< OQQQ ’/D 1?5D-,4@-> WHAU/LHKP ’(("< 9$: [< XL>.NP 3< \?H< 7?@-H 3H.D4.D 7.>5R/-/ IHA ].5-.4 7?@-HG-/?>5 E>D> =4N,4.D>D-H. >.@ 35>//-I-F>D-H.< [A>./< 9#: ;< ’&)"< 9": =< E>G-/P M< 14A,45/D4-.< 3H,K>A-/H. HI M>A>,4D4A B4KT A4/4.D>D-H./ IHA 1H.H/R55>S-F WHA@ B4FHN.-D-H.< [A>./< ]. 7FH?/D-F/P ’(%!P &%^&_‘+$"C+##< 9%: Z< Y-.@4P 7< J?bHP B< cA>R< 7. 75NHA-DL, IHA d4FDHA a?>.D-b4A E4/-N.< OQQQ [A>./< ]. 3H,,?.-F>D-H./<’(%!P &%^’_‘%)C($< % 收稿日期 & $""’!"(!’’ OQQQ =K44FL >.@ =-N.>5 MAHF4//-.NP H. =K44FL >.@ 7?@-H MAHF4//-.NP M-FH.4< &!!’P ))’C)$"< =-N.>5 1H@45-.N [4FL.-a?4/ -. =K44FL B4FHN.-D-H.< MAHF44@-.N/ HI OQQQP ’((+P %’ ^(_‘’&’$ C OQQQ (^)_‘ MAHF44@-.N/ HI MAHT =>?.@4A/< B4>5 CD-,4 E-/FA-,-.>D-G4 HI JAH>@F>/D