本發(fā)明屬于人工智能，具體涉及一種ai語音對話場景應(yīng)用的識別檢測系統(tǒng)及方法。

背景技術(shù)：

1、ai場景對話是指利用人工智能技術(shù)，在特定的應(yīng)用場景中模擬人類的對話行為，以實現(xiàn)與用戶的自然語言交流，這種對話系統(tǒng)能夠理解用戶的查詢和命令，并提供相應(yīng)的回答或執(zhí)行任務(wù)，其核心技術(shù)：ai場景對話的實現(xiàn)依賴于多種技術(shù)的融合，包括自動語音識別、自然語言處理、機器學習等，這些技術(shù)共同作用，使得機器能夠捕捉上下文信息，并生成智能的應(yīng)答。

2、現(xiàn)有技術(shù)存在的問題：

3、針對與ai的場景語音，智能ai對用戶語音的識別檢測仍存在較大的誤差和缺陷，具體展現(xiàn)有以下幾點：

4、當用戶與一個和自身聲色接近的人同處時，用戶在與ai對話且另一人同樣在發(fā)聲時，此時的ai極有可能將該人發(fā)聲內(nèi)容同樣視為輸入語音，進而使不同辭藻進行堆砌，致使ai對輸入語音內(nèi)容進行曲解，降低了語音交互體驗；

5、現(xiàn)存的ai對話模式中，用戶在對一個問題進行咨詢時，大多都不會對一個解決方法直接表示滿意或采納，且由于ai對話與操作電腦設(shè)備不同，大部分的ai場景對話都沒有設(shè)置對應(yīng)的反饋機制，致使ai場景大數(shù)據(jù)無法得知不同解決方案的采納率，借以無法再同樣的問題上提供出推薦方案。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種ai語音對話場景應(yīng)用的識別檢測系統(tǒng)及方法，能夠?qū)崿F(xiàn)通過分析辭藻的組成來排除噪聲的功能，有效區(qū)分噪聲與有用信息，改進的lms算法與rls算法在噪聲消除中的應(yīng)用效果得到了顯著提升，另外，還可根據(jù)多個用戶的二次詢問選出解決問題的推薦首選。

2、本發(fā)明采取的技術(shù)方案具體如下：

3、一種ai語音對話場景應(yīng)用的識別檢測系統(tǒng)，包括：

4、asr自動語音識別單元，所述asr自動語音識別單元采用高信噪比（snr）麥克風，如mems微機電系統(tǒng)麥克風；采用先進的噪聲消除算法提升語音信號的清晰度；利用深度學習技術(shù)，訓練模型能夠識別并理解多種不同的口音和方言；

5、nlp自然語言處理單元，所述nlp自然語言處理單元采用大模型技術(shù)應(yīng)用模塊，借助最新的大語言模型如gpt-3或bert，增強系統(tǒng)對復(fù)雜語言結(jié)構(gòu)和語義的理解能力；采用集成情感分析模塊，使系統(tǒng)能夠識別用戶的情緒變化并作出相應(yīng)的情感回應(yīng)；采用智能推薦分析模塊，通過用戶對其中一個方法的二次詢問來判定用戶首選該方法的過程，并結(jié)合大數(shù)據(jù)將該方法作為解決該問題的推薦首選；

6、知識圖譜單元；

7、機器學習單元，所述機器學習單元使ai語音對話系統(tǒng)能夠通過大量數(shù)據(jù)訓練不斷優(yōu)化自身的性能，提高對話的準確性和自然性；

8、tts文本轉(zhuǎn)語音單元，所述tts文本轉(zhuǎn)語音單元采用更高效的端點檢測（vad）技術(shù)，以準確預(yù)測語音中的斷句點，特別是在連續(xù)語音流中；構(gòu)建能夠理解復(fù)雜語境的大模型，提高系統(tǒng)在實時轉(zhuǎn)寫過程中對上下文的依賴性理解，尤其是在長序列對話中的表現(xiàn)；

9、深度學習單元，所述深度學習算法采用循環(huán)神經(jīng)網(wǎng)絡(luò)（rnn）和長短期記憶網(wǎng)絡(luò)（lstm）；

10、智能對話平臺單元，所述智能對話平臺單元采用高級的回聲消除算法和多通道信號處理技術(shù)，用于減少聲音反射帶來的干擾；采用分離精度優(yōu)化技術(shù)，用于在多人同時講話的場景中，精確區(qū)分不同說話者的聲紋；

11、多模態(tài)交互單元，所述多模態(tài)交互單元用于結(jié)合視覺、觸覺等多種感官信息；

12、個性化定制單元，所述個性化定制單元通過機器學習算法分析用戶的歷史數(shù)據(jù)和行為模式，自動調(diào)整系統(tǒng)設(shè)置以符合用戶的個性化需求；

13、情感識別與表達單元，所述情感識別與表達單元用于使ai語音系統(tǒng)感知和表達用戶的情感；

14、隱私保護單元。

15、所述噪聲消除算法內(nèi)設(shè)置有利用分析辭藻組成來排除噪聲的辭藻消聲單元，所述辭藻消聲單元采用辭藻分析技術(shù)、辭藻特征提取、自適應(yīng)濾波器優(yōu)化以及多模態(tài)噪聲消除；

16、所述辭藻分析技術(shù)，利用nlp自然語言處理單元，對語音信號中的詞匯和句法進行分析，識別出其中的噪音成分；利用深度學習單元，如bert或gpt-3，對語音信號進行語義理解，從中提取出關(guān)鍵信息并排除噪聲；利用集成情感分析模塊，檢測用戶的情緒變化，從而識別出因情緒波動產(chǎn)生的噪音；

17、所述辭藻特征提取，利用詞匯頻率分析，統(tǒng)計語音信號中各詞匯的出現(xiàn)頻率，通過設(shè)定閾值，過濾掉出現(xiàn)頻率較低的詞匯；利用句法結(jié)構(gòu)分析，通過對句子的結(jié)構(gòu)進行分析，識別出不合語法或不合邏輯的噪聲部分；利用語義關(guān)聯(lián)度分析，計算詞匯之間的語義關(guān)聯(lián)度，通過關(guān)聯(lián)度低的詞匯判斷其是否為噪聲；

18、所述自適應(yīng)濾波器優(yōu)化，采用lms算法改進，在最小均方算法的基礎(chǔ)上，增加辭藻分析模塊，通過實時調(diào)整濾波器系數(shù)，動態(tài)過濾掉噪聲詞匯；采用rls算法應(yīng)用，遞歸最小二乘算法具有更快的收斂速度；采用卡爾曼濾波優(yōu)化，通過狀態(tài)空間模型和觀測模型，對動態(tài)系統(tǒng)進行噪聲抑制；

19、所述多模態(tài)噪聲消除，采用視覺輔助，結(jié)合視覺傳感器數(shù)據(jù)，通過圖像處理技術(shù)識別環(huán)境中的噪聲源；采用觸覺反饋，利用觸覺傳感器，檢測用戶的身體動作和行為，從而識別出可能的噪聲源；采用多通道信號處理，結(jié)合不同傳感器的數(shù)據(jù)，進行聯(lián)合噪聲消除。

20、所述lms算法改進的核心在于通過建立步長因子μ與誤差信號e(n)之間的非線性函數(shù)關(guān)系，通過sigmoid函數(shù)進行改進，具體形式為：；

21、其中，所述sigmoid函數(shù)是一種s型曲線，在數(shù)學上定義為，其中exp表示自然指數(shù)函數(shù)，其改進方式為：為了克服sigmoid函數(shù)在穩(wěn)態(tài)階段步長調(diào)整過程中的不足，將其乘以一個偶函數(shù)，如，使步長因子在誤差接近零處緩慢變化；

22、基于上述改進，步長因子μ與誤差信號e(n)之間的非線性函數(shù)關(guān)系可以表示為：，其中β和α是可調(diào)參數(shù)，通過調(diào)節(jié)參數(shù)β和α，用于根據(jù)實際應(yīng)用需求優(yōu)化算法的性能。

23、所述rls算法的核心方程包括權(quán)重更新公式和誤差計算；

24、權(quán)重更新公式：

25、在rls算法中，權(quán)重向量w(n)的更新公式如下：，其中，g(n)為增益向量，e(n)為誤差信號；

26、增益向量g(n)的計算公式為：，其中，p(n)為相關(guān)矩陣，x(n)為輸入信號，λ為遺忘因子；

27、相關(guān)矩陣p(n)的更新公式為：；

28、誤差計算:

29、誤差信號e(n)定義為期望信號d(n)與濾波器輸出y(n)之間的差值：，其中，，期望信號d(n)是已知的參考信號，輸出信號y(n)是當前時刻的濾波器輸出；

30、參數(shù)調(diào)節(jié)：

31、所述遺忘因子λ用于控制算法的收斂速度和穩(wěn)定性；

32、初始條件：相關(guān)矩陣p(0)通常初始化為單位矩陣，即，其中δ是一個很小的常數(shù)。

33、所述rls算法的改進措施為引入用于優(yōu)化濾波器性能的額外的常數(shù)乘法器；

34、通過調(diào)節(jié)所述常數(shù)乘法器的值，用于針對不同的信噪比（snr）進行優(yōu)化，且當所述常數(shù)乘法器取值為0.65時，可以獲得最佳的snr值，達到19.38?db。

35、所述智能推薦分析模塊包括：

36、意圖識別單元；通過識別用戶的初始問題和隨后的二次詢問，判斷用戶的意圖是尋求更多關(guān)于某個特定方法的信息，還是對其他方法感興趣；

37、上下文管理單元：在多輪對話中，用于保持上下文的一致性，用于在用戶提出二次詢問時準確地提供與之前討論相關(guān)的信息；

38、情感分析單元：用于幫助系統(tǒng)判斷用戶對不同方法的態(tài)度；

39、反饋循環(huán)單元：通過建立的反饋機制，用于使用戶能夠直接表達他們對某個方法的滿意度；

40、機器學習模型單元：利用機器學習模型，系統(tǒng)可以根據(jù)歷史數(shù)據(jù)訓練算法，以預(yù)測用戶可能感興趣的方法；

41、個性化推薦單元：基于用戶的歷史行為和偏好，系統(tǒng)可以提供個性化的建議。

42、所述智能推薦分析模塊還包括：

43、數(shù)據(jù)收集與預(yù)處理單元：通過收集大量的用戶行為數(shù)據(jù)，再對數(shù)據(jù)進行數(shù)據(jù)清洗，從用戶行為數(shù)據(jù)中提取有用的特征；

44、用戶畫像構(gòu)建單元：分析用戶的基本信息、歷史行為數(shù)據(jù)，識別出用戶對不同方法的興趣偏好，再為每個用戶打上個性化標簽；

45、方法評估與排序單元：對各個方法的效果進行評估，在利用排序算法（如協(xié)同過濾、基于內(nèi)容的推薦等）對方法進行排序，且定期更新方法的排序；

46、推薦策略制定單元：根據(jù)用戶的興趣偏好和需求，推薦與他們相關(guān)的方法；利用用戶之間的相似性和方法之間的相似性進行推薦；合多種推薦策略的優(yōu)點，制定更全面、準確的推薦方案；

47、實時反饋與優(yōu)化單元：鼓勵用戶提供對推薦方法的反饋意見，根據(jù)用戶反饋和新的用戶行為數(shù)據(jù)，不斷迭代更新推薦模型，再將實時反饋和優(yōu)化過程融入日常運營中，確保推薦系統(tǒng)的持續(xù)改進和優(yōu)化；

48、界面展示與交互單元：清晰展示推薦結(jié)果并提供詳細解釋，引導(dǎo)用戶互動；

49、跨平臺整合與擴展單元：支持多平臺運行，提供api接口供其他開發(fā)者或第三方應(yīng)用調(diào)用。

50、所述知識圖譜單元為ai語音對話系統(tǒng)提供了豐富的背景知識和信息，支持系統(tǒng)在回答用戶問題時進行邏輯推理和知識檢索。

51、所述隱私保護單元用于保護用戶隱私。

52、一種ai語音對話場景應(yīng)用的識別檢測方法，具體步驟如下：

53、step1、語音采集：系統(tǒng)通過麥克風等設(shè)備采集用戶的語音信號，這是整個識別過程的基礎(chǔ)；

54、step2、預(yù)處理：對采集到的語音信號進行降噪、濾波、放大等處理，以提高語音信號的質(zhì)量；

55、step3、特征提?。簩㈩A(yù)處理后的語音信號轉(zhuǎn)化為可以代表語音本質(zhì)的特征，這一過程涉及復(fù)雜的信號處理和特征工程技術(shù)；

56、step4、模型匹配：將提取的特征與預(yù)先訓練好的模型進行匹配，以識別出語音的具體內(nèi)容,這個模型通常通過機器學習技術(shù)，如深度學習訓練得到；

57、step5、數(shù)據(jù)上傳：將判定為用戶采納的方式方法，作為推薦內(nèi)容上傳至大數(shù)據(jù)庫中，用作為其他用戶面臨相同問題時的推薦解決方法。

58、本發(fā)明取得的技術(shù)效果為：

59、本發(fā)明，通過在噪聲消除算法中引入辭藻消聲單元，可實現(xiàn)通過分析辭藻的組成來排除噪聲的功能，辭藻分析技術(shù)不僅能夠有效區(qū)分噪聲與有用信息，還能結(jié)合深度學習模型、情感分析、自適應(yīng)濾波器優(yōu)化和多模態(tài)噪聲消除等多種方法，全面提升系統(tǒng)的智能化水平，未來，隨著技術(shù)的不斷進步，噪聲消除算法將在更多應(yīng)用場景中發(fā)揮重要作用，為用戶提供更加優(yōu)質(zhì)的語音交互體驗。

60、本發(fā)明，lms算法在噪聲消除中的應(yīng)用效果得到了顯著提升，具體體現(xiàn)為以下幾點：一、收斂速度：在初始階段和未知系統(tǒng)時變階段，該算法能夠自動增大步長，加快收斂速度，這種特性使得算法能夠快速適應(yīng)環(huán)境變化，減少訓練時間；二、穩(wěn)態(tài)誤差：在誤差接近零處，該算法的步長變化緩慢，有效降低了穩(wěn)態(tài)誤差，這一特點確保了算法在平穩(wěn)過程中的穩(wěn)定性和準確性；三、計算復(fù)雜度：盡管改進后的lms算法在某些情況下增加了計算量，但整體上仍保持較低的計算復(fù)雜度，適用于實時處理；總的來說，通過建立步長因子μ與誤差信號e(n)之間的非線性函數(shù)關(guān)系，改進的lms算法在噪聲消除中的應(yīng)用效果得到了顯著提升，特別是在復(fù)雜噪聲環(huán)境下，能夠更有效地分離出有用信息。

61、本發(fā)明，rls算法能夠?qū)崟r調(diào)整濾波器系數(shù)，以最小化輸出誤差，這種自適應(yīng)濾波方法在噪聲消除、回聲消除等應(yīng)用中表現(xiàn)出色，特別是在快速變化的環(huán)境下具有顯著優(yōu)勢。

62、本發(fā)明，通過智能推薦分析模塊的運作，ai系統(tǒng)不僅可以為用戶提供問題的多種解決方法，還可以有效地根據(jù)多個用戶的二次詢問來判定用戶首選的方法，并將該方法作為解決該問題的推薦首選，這種系統(tǒng)不僅提高了用戶體驗和滿意度，還為企業(yè)帶來了更高的轉(zhuǎn)化率和商業(yè)價值。