Page 242 - 《应用声学》2025年第1期

238 2025 年 1 月

1.3 多特征融合优化 表 2 ECFS 算法流程
Table 2 The workflow of the ECFS algorithm
本文深入探讨了 32 个声学特征对 4 类病理嗓
音分类性能的影响。为了在保持较低计算复杂度的 ECFS 算法
同时实现高效的特征选择，本文采用了 ECFS 算法 输入: 语声特征集 F, 类别标签 C.
与盒图相结合的方法，旨在优化复杂特征的融合处 输出: 最优特征子集 S ∗
理过程。 1: {步骤 1. 初始化: };
∗
2: 最优特征子集 S ← ∅
1.3.1 ECFS评价
3: 最佳得分 best_score ← −∞
ECFS 是一种基于相关性的特征选择方法，它 4: 待处理队列; Q ← {S|f j , f j ∈ F};
采用 Best-first 最佳优先搜索策略进行高效特征选 5: 已处理子集集合 processed ← ∅
6: {步骤 2. 处理特征子集: };
择。该方法侧重于选择与目标类别高度相关的特
7: While Q ̸= ∅ do:
征，同时最小化特征间相关性，从而提高模型的泛
8: 从 Q 中提取一个特征子集 S;
化能力。Best-first最佳优先搜索是一种基于图的方 9: If S ∈ processed then
法，优先扩展最接近目标解的节点，并使用启发式方 10: Goto: 从 Q 中提取一个特征子集 S;
法来提高搜索效率。ECFS 评估特征子集 S 的具体 11: End if
′
计算方法如式(1)所示： 12: For 每个候选特征 f j ∈ F 且 f j /∈ S do:
∪
13: 生成新子集 S = S {f j };
′
′
r c (S )
′
′ (1) 14: 根据公式 (1) 和公式 (2) 计算得分 score(S ).
score(S ) = √ ,
1 ∑
15: If score(S ) > best_score then
′
r f i ,f j
′
|S | ′
f i ,f j ∈S ′ 16: Update: best_score ← score(S );
17: S ← ∅;
∗
式 (1) 中， |S | 表 示 特 征 子 集 S 中 特 征 的 数 量，
′
′
18: 将 S 添加到 S ;
∗
′
∑
表示特征子集 S 中所有特征对之
′
′
r f i ,f j 19: Else if score(S ) = best_score then
f i ,f j ∈S ′
表示特征 f j 与 f i 之间的相 20: 将 S 添加到 S ;
′
∗
间的相关度之和，r f i ,f j
′
′
关度，r c (S ) 表示特征子集 S 中所有特征与类别 C 21: End if
的平均相关度，计算方法如式(2)所示： 22: 标记 S 为已处理: processed ← S;
23: 将 S 添加到 Q: Q ← S ;
′
′
1 ∑
′
r c (S ) = r f i ,c , (2) 24: End for
′
|S |
f i ∈S ′ 25: End while
式 (2) 中，r f i ,c 表示特征 f i 和类别 C 之间的相关度。 26: {步骤 3. 返回最优特征子集: };
∗
变量X 和Y 之间的相关度计算如式(3)所示： 27: Return S ;
Cov(X, Y )
r X,Y = , (3) 1.3.2 盒图分析
σ X σ Y
式 (3) 中，Cov(X, Y ) 是变量 X 和 Y 之间的协方差， 盒图是一种有效的数据可视化工具，用于展示
σ X 和σ Y 分别是变量X 和Y 的标准差。ECFS算法 数据的分布特征，包括中位数、四分位数和异常值。
流程如表 2 所示：首先，该算法将所有特征子集填 在分析声学特征时，盒图的中间线表示中位数，盒
充到优先级队列中；随后，在特征选择阶段，算法 子的上下边界分别对应第一四分位数和第三四分
会迭代地从队列中选取优先级最高的子集，并对其 位数，从而反映特征值的集中趋势和离散程度。此
进行性能评估；接着，算法通过向该子集中加入其 外，盒外的点代表异常值，表征可能影响模型性能
他候选特征，生成新的子集，每个新子集的贡献度 的特殊情况。本文利用盒图直观展示了不同声学特
均通过评分公式来评估，该公式综合考虑了特征与 征的分布情况，并通过分析中位数、四分位数、异常
目标类别的相关性以及特征间的相互相关性；最后， 值等信息，评估了各声学特征在不同病理嗓音类型
如果新子集的得分高于当前最优子集，则更新最优 中的辨别能力，为后续特征融合优化提供了依据。
子集及其得分。这种方法不仅确保了对特征子集 图 4(a) 和图 4(b) 分别展示了 DSH 特征和 Fhi 特征
的全面探索，还通过精简冗余评估过程来有效提升 在4 种病理嗓音类型中的盒图分布。DSH特征表示
计算效率。 信号中次谐波的程度，Fhi 特征表示发声中的最高