專利名稱：漢語(yǔ)連續(xù)語(yǔ)音識(shí)別的集成預(yù)測(cè)搜索方法
漢語(yǔ)連續(xù)語(yǔ)音識(shí)別的集成預(yù)測(cè)搜索方法屬自動(dòng)語(yǔ)音識(shí)別領(lǐng)域，其基本特征在于把帶調(diào)三音子模型和三元詞的統(tǒng)計(jì)語(yǔ)言模型一次性地進(jìn)行集成搜索，并在解碼過(guò)程中進(jìn)行三元詞語(yǔ)言模型的預(yù)測(cè)。本發(fā)明涉及詞庫(kù)的組織、預(yù)測(cè)語(yǔ)言模型的檢索、局部搜索路徑的裁減方面的問題。
目前語(yǔ)音識(shí)別比較成功的做法是基于統(tǒng)計(jì)模型，其基本特性就是有一些可以調(diào)整的參數(shù)，并且這些參數(shù)可以從觀察數(shù)據(jù)中直接推斷出來(lái)。假設(shè)A表示識(shí)別器將要解碼的聲學(xué)觀察數(shù)據(jù)，W表示可能的單詞系列，P(W/A)表示給定觀察A，單詞系列W被說(shuō)出的概率，由統(tǒng)計(jì)決策，識(shí)別器應(yīng)該根據(jù)下式作出決定 所以，公式1)可以進(jìn)一步寫成 其中P(W)是單詞串W被說(shuō)出的概率，P(A|W)是假設(shè)說(shuō)出的單詞串是W情況下觀察到數(shù)據(jù)A的概率，識(shí)別系統(tǒng)可以

圖1得到說(shuō)明，識(shí)別器包括前端處理、聲學(xué)模型P(A|W)、語(yǔ)言模型P(W)和搜索算法。搜索算法就是要在聲學(xué)模型、語(yǔ)言模型和聲學(xué)特征序列的條件下，找到具有最大概率的詞序列 ，基本搜索算法主要有時(shí)間同步的Viterbi-beam搜索和深度優(yōu)先的A*搜索算法。經(jīng)過(guò)多年研究努力，為減少搜索的巨大計(jì)算量，出現(xiàn)了以多遍搜索(Multi-Pass)為代表的連續(xù)語(yǔ)音識(shí)別搜索框架。這些框架的一個(gè)基本思想就是逐漸加入高級(jí)的聲學(xué)模型知識(shí)和語(yǔ)言模型知識(shí)，利用前一遍的搜索結(jié)果來(lái)啟發(fā)加快后一遍的搜索過(guò)程。多遍搜索框架根據(jù)中間結(jié)果的輸出可以分為兩類第一類一般直接輸出N個(gè)概率得分最高的句子(N-Best)，第二類產(chǎn)生一個(gè)中間詞圖作為下一遍搜索的語(yǔ)法。事實(shí)上N-Best的句子本身也可從詞圖中產(chǎn)生，詞圖可以認(rèn)為是N-Best算法的一個(gè)中間結(jié)果，它們的關(guān)系如圖2所示。
從基本搜索算法來(lái)看，時(shí)間幀同步搜索在語(yǔ)音識(shí)別中被廣泛采用，其實(shí)質(zhì)上是一個(gè)基于Viterbi Beam搜索的動(dòng)態(tài)規(guī)劃技術(shù)，可以看作是時(shí)間一模型狀態(tài)網(wǎng)格上的推進(jìn)過(guò)程。假如幀同步搜索算法處理到了t時(shí)刻，此時(shí)對(duì)應(yīng)的子觀測(cè)序列為Y1Y2…Yt，此時(shí)該子路徑W1所處的基元模型和基元內(nèi)部的狀態(tài)節(jié)點(diǎn)分別為λt和st，則子路徑的得分可以定義為Pr(Wl)＝∏Prob(Yi|λt，st，Wl)(公式3)在公式3)中，t+1時(shí)刻的擴(kuò)展方式受語(yǔ)法的約束在HMM內(nèi)部，St受HMM拓?fù)浣Y(jié)構(gòu)的約束，λt的擴(kuò)展受詞庫(kù)的約束，而詞之間W1的擴(kuò)展則受語(yǔ)言模型的約束。其中漢語(yǔ)連續(xù)語(yǔ)音識(shí)別中最基本的約束是詞庫(kù)，搜索范圍以及詞與詞之間的關(guān)聯(lián)即語(yǔ)言模型也依賴于詞庫(kù)。詞庫(kù)一般采用如圖4所示的樹狀組織形式，在這個(gè)圖中，從根節(jié)點(diǎn)到葉節(jié)點(diǎn)表示一條路徑，該路徑的葉節(jié)點(diǎn)對(duì)應(yīng)一組同音詞(如圖4中“按”和“暗”)。通過(guò)這種表示形式，可以充分地共享詞庫(kù)中共同的起始部分，減少搜索的路徑數(shù)，提高搜索效率。
詞庫(kù)按照?qǐng)D4所示進(jìn)行數(shù)據(jù)組織。若搜索過(guò)程中的一條局部路徑i由Path(i)＝{W1，W2，n，s...}表示，在這兒，W1，W2表示該條路徑的前面兩個(gè)歷史詞，n表示當(dāng)前路徑在樹中的節(jié)點(diǎn)號(hào)，s表示當(dāng)前路徑在節(jié)點(diǎn)n中的HMM的所處的狀態(tài)。則當(dāng)狀態(tài)s是HMM的最后一個(gè)狀態(tài)時(shí)，該條路徑就要從節(jié)點(diǎn)n跳躍到n的擴(kuò)展節(jié)點(diǎn)中去。如圖7所示。假設(shè)m是節(jié)點(diǎn)n的其中一個(gè)擴(kuò)展節(jié)點(diǎn)，則當(dāng)從節(jié)點(diǎn)n擴(kuò)展到m時(shí)，從路徑i變成路徑j(luò)，由于從節(jié)點(diǎn)n跳到節(jié)點(diǎn)m，該路徑還沒有到達(dá)葉節(jié)點(diǎn)，所以其詞的身份尚未確定，因而其語(yǔ)言概率不變，同時(shí)該躍遷不占用聲學(xué)時(shí)間，因而其聲學(xué)得分也沒有改變，所以總體得分沒有改變，即Prob(Pathj)＝Prob(Pathi)。這種樹狀搜索擴(kuò)展方法，系統(tǒng)搜索點(diǎn)只有到了樹的葉節(jié)點(diǎn)時(shí)才能確定這個(gè)詞的詞號(hào)，語(yǔ)言知識(shí)加入有很大的延遲，從而造成不可恢復(fù)的錯(cuò)誤。同時(shí)由于路徑之間得分差異不大，甚至有些完全相同，造成裁減困難。
另外在搜索過(guò)程中，大部分路徑的得分非常低。保留這些得分較低的路徑在空間和時(shí)間上是不現(xiàn)實(shí)的，也是不必要的。因而我們可以在幀同步搜索過(guò)程中動(dòng)態(tài)地對(duì)路徑進(jìn)行剪枝，拋棄希望不大的路徑。在所有擴(kuò)展的N條路徑中，當(dāng)前最優(yōu)路徑表示為WM＝argmax(Pr(Wl))其中l(wèi)＜＝N (公式4)可以通過(guò)設(shè)定一個(gè)門限BEAM，所有得分在Pr(WM)與BEAM*Pr(WM)之間的路徑將得到保留，進(jìn)行下一步擴(kuò)展，并刪除其余路徑。這樣BEAM SEARCH將搜索量大大減少(大概只有Beam*輸入觀測(cè)矢量序列長(zhǎng)度的數(shù)量級(jí))。在傳統(tǒng)的裁減策略中，一般采用單門限策略，即如果一條路徑的概率P＜＝Beam*Pr(WM)，則該局部路徑就被裁減掉。但是由于在搜索過(guò)程中，路徑動(dòng)態(tài)的得分是在不斷變化的，裁減太多，會(huì)帶來(lái)比較多的搜索錯(cuò)誤；裁減太少，又影響識(shí)別速度。最直接的辦法是控制路徑的個(gè)數(shù)，但這需要對(duì)所有路徑進(jìn)行排序等操作，會(huì)帶來(lái)更多的計(jì)算量。
本發(fā)明的目的在于充分利用強(qiáng)大的帶調(diào)三音子聲學(xué)模型和三元詞語(yǔ)言模型，一次性地搜索出一個(gè)最優(yōu)的結(jié)果，克服多遍搜索框架中普遍存在問題，如多遍搜索問題1)不能把所有知識(shí)源一起組織進(jìn)行解碼，所以其算法不是最優(yōu)的，并且錯(cuò)誤是傳播和擴(kuò)大的；多遍搜索問題2)在前面預(yù)搜索中采用比較簡(jiǎn)單的聲學(xué)模型和語(yǔ)言模型，帶來(lái)的錯(cuò)誤可能性比較大。
本發(fā)明的另外目的在于通過(guò)對(duì)詞庫(kù)組織的設(shè)計(jì)，使得語(yǔ)言的預(yù)測(cè)成為可能，而不需要達(dá)到根節(jié)點(diǎn)后才能加入語(yǔ)言概率，加快搜索速度。
本發(fā)明的概念說(shuō)明如圖3所示意。在這個(gè)搜索框架中，核心還是一個(gè)時(shí)間同步的幀搜索算法，其輸入包括搜索詞庫(kù)，統(tǒng)計(jì)三元語(yǔ)言模型，帶調(diào)三音子模型、語(yǔ)言預(yù)測(cè)以及語(yǔ)音識(shí)別特征流。對(duì)比圖2可以看到相比于圖2的框架，圖3沒有中間結(jié)果的輸出；同時(shí)在圖2中需要多套聲學(xué)模型和語(yǔ)言模型，前面用簡(jiǎn)單的模型，后面再用復(fù)雜的模型，而圖3則直接應(yīng)用最高級(jí)的聲學(xué)模型和語(yǔ)言模型。在這個(gè)框架中，聲學(xué)模型的輸入是直接的帶調(diào)三音子模型。本發(fā)明的技術(shù)要點(diǎn)如下1.搜索裁減的多門限策略多門限裁減示意圖如圖6所示。設(shè)定n個(gè)門限P0，P1，P2，...，Pn，這兒P0為當(dāng)前時(shí)間點(diǎn)路徑中的最大概率值。算法如下a)判斷某一條路徑所落的得分區(qū)間，即如果Pi＝<P>＝Pi+1，則該條路徑認(rèn)為落在第i個(gè)區(qū)間；該區(qū)間路徑個(gè)數(shù)計(jì)數(shù)器加1，即Ci++；Si=Σj=1iCj]]>b)對(duì)于i＝1，...，N，計(jì)算Si。找到滿足Si＞＝CountThread的最小i，則裁減門限就為Pi。c)根據(jù)Pi門限裁減路徑。
通過(guò)上述過(guò)程就能比較準(zhǔn)確地控制需要擴(kuò)展的路徑數(shù)。這些門限經(jīng)驗(yàn)值的設(shè)計(jì)可以通過(guò)統(tǒng)計(jì)而得到。2.詞庫(kù)組織需要充分運(yùn)用語(yǔ)言模型的知識(shí)進(jìn)行路徑得分的預(yù)測(cè)。因而本發(fā)明特別加入了另外一個(gè)信息，即從某節(jié)點(diǎn)n開始擴(kuò)展可以到達(dá)的葉節(jié)點(diǎn)的集合，即詞的集合。在靠近根節(jié)點(diǎn)的前層節(jié)點(diǎn)中，每一個(gè)節(jié)點(diǎn)可以延伸的葉節(jié)點(diǎn)和詞的集合是相當(dāng)大的，直接記錄這個(gè)集合是不現(xiàn)實(shí)的。在本發(fā)明中，對(duì)原有詞庫(kù)中的詞進(jìn)行重新編號(hào)，編號(hào)的原則是把詞庫(kù)同詞庫(kù)樹葉節(jié)點(diǎn)所對(duì)應(yīng)的詞排列次序一致。利用該排序，就可以采用非常緊湊的結(jié)構(gòu)對(duì)此加以描述，即記錄該節(jié)點(diǎn)所接詞集合中的第一個(gè)詞與最后一個(gè)詞編號(hào)就可。所以每個(gè)節(jié)點(diǎn)都有一個(gè)Wx和Wy。如圖7所示。顯然若節(jié)點(diǎn)m是由節(jié)點(diǎn)n擴(kuò)展，則必有Wmx＜＝Wnx＜＝Wny＜＝Wmy(公式5)如上所述，韻母的模型編號(hào)依賴于左右邊的聲母，左二右二的韻母聲調(diào)，和本身的聲調(diào)。這樣在搜索時(shí)，當(dāng)擴(kuò)展一個(gè)韻母時(shí)，由于左邊的上下文信息已經(jīng)知道，但右邊的上下文信息是未知的，所以必須進(jìn)行預(yù)擴(kuò)展。根據(jù)上述，實(shí)際上需要預(yù)擴(kuò)展后面兩層節(jié)點(diǎn)，這樣造成路徑數(shù)的急劇膨脹。在本詞樹構(gòu)造中，把韻母的聲調(diào)信息附在同一音節(jié)的相應(yīng)聲母上，這樣使得在搜索過(guò)程中只需要預(yù)擴(kuò)展一層節(jié)點(diǎn)，如圖5所示。3.語(yǔ)言模型預(yù)測(cè)改進(jìn)的算法就是在搜索過(guò)程中在樹節(jié)點(diǎn)擴(kuò)展的任一點(diǎn)都可以加大量的時(shí)間。在此種情況下從路徑i擴(kuò)展到路徑j(luò)的概率得分計(jì)算變?yōu)镻rob(Pathj)＝[Prob(Pathi)-ProbLm(W1，W2，n)]+ProbLm(W1，W2，m)；(公式6)在上述公式6中，ProbLm(W1，W2，n)表示從節(jié)點(diǎn)n出發(fā)的所有詞中與W1，2三元連接最大的概率。即ProbLm(W1，W2，n)＝MaxProb(W1，W2，W3)，(式7)這兒W3為所有從節(jié)點(diǎn)n出發(fā)可以到達(dá)的詞。公式7的要點(diǎn)在于每擴(kuò)展一個(gè)新的節(jié)點(diǎn)，就把最逼近的語(yǔ)言概率加入到路徑中，從而提前把語(yǔ)言概率的有關(guān)信息加入到搜索中，提高搜索速度和識(shí)別準(zhǔn)確率。4.預(yù)測(cè)概率檢索上述ProbLm(W1，W2，m)的檢索在連續(xù)語(yǔ)音識(shí)別中大概需要占用20％的時(shí)間。而通過(guò)大量的觀察，發(fā)現(xiàn)在某一段時(shí)間里，函數(shù)ProbLm(W1，W2，m)檢索過(guò)程W1，W2，m參數(shù)重復(fù)的機(jī)率非常之大，這種重復(fù)可由圖8給以解釋假設(shè)在某個(gè)時(shí)間點(diǎn)t，有5條路徑，其所處詞樹節(jié)點(diǎn)n相同，歷史詞w1，w2也相同，只是所處HMM狀態(tài)不同，即分別處于狀態(tài)0，1，2，3，4。顯然在時(shí)間t，處于狀態(tài)4的路徑要擴(kuò)展到下一個(gè)節(jié)點(diǎn)m。則需要檢索ProbLm(w1，w2，m)。則在時(shí)間t+1所處在s＝3的路徑要跳躍到狀態(tài)4，并進(jìn)一步擴(kuò)展到節(jié)點(diǎn)m也需要檢索同樣的概率。T+2時(shí)處在節(jié)點(diǎn)2的原路徑同樣要擴(kuò)展到節(jié)點(diǎn)m。
另外可以發(fā)現(xiàn)，路徑皆是通過(guò)父節(jié)點(diǎn)擴(kuò)展而來(lái)的，而前面父節(jié)點(diǎn)n出發(fā)最大的三元語(yǔ)言概率的詞可能剛好落在本節(jié)點(diǎn)m所擴(kuò)展的范圍內(nèi)，此時(shí)ProbLm(W1，W2，m)＝ProbLm(W1，W2，n)，如Wnx＜＝Wmx＜＝W3＜＝Wmy＜＝Wny基于上述觀察，設(shè)立了一個(gè)概率緩沖區(qū)，該緩沖區(qū)每一項(xiàng)由四個(gè)主要元素組成ProbBuffer＝{W1，W2，W3，n，MaxLm}。在搜索過(guò)程中，需要調(diào)用ProbLm函數(shù)時(shí)，可在緩沖區(qū)檢索首先進(jìn)行檢索1)如果W1，W2，m在緩沖區(qū)中找到，則直接輸出MaxLm2)如果W1，W2，m在緩沖區(qū)中找不到，但在緩沖區(qū)中可以找到W1，W2，n，其中n是m的父節(jié)點(diǎn)，而且滿足Wmx＜＝W3＜＝Wmy，則直接輸出MaxLm3)否則直接去語(yǔ)言模型檢索ProbLm本發(fā)明的優(yōu)點(diǎn)在于針對(duì)上述搜索算法的缺點(diǎn)特別是針對(duì)漢語(yǔ)中需要額外集成漢語(yǔ)的聲調(diào)這種超音段信息需求出發(fā)，把連續(xù)語(yǔ)音識(shí)別所必須的各種輸入如語(yǔ)音聲學(xué)特征序列、詞庫(kù)、聲學(xué)模型和語(yǔ)言模型進(jìn)行一次性處理，得出一條概率意義上最優(yōu)的詞序列的識(shí)別方法能夠充分有效地利用所有可以利用的知識(shí)源，從而最大限度地減少搜索錯(cuò)誤，提高搜索效率。
特別強(qiáng)調(diào)的是，上述發(fā)明說(shuō)明雖然是在漢語(yǔ)連續(xù)語(yǔ)音識(shí)別一次性搜索框架下實(shí)現(xiàn)，但原理以及算法適合于任何語(yǔ)音識(shí)別的搜索問題。
其中測(cè)試庫(kù)采用國(guó)家“863”標(biāo)準(zhǔn)測(cè)試數(shù)據(jù)庫(kù)，該庫(kù)由6男6女發(fā)音組成，每人發(fā)音40句，共480句句子，句子選自《人民日?qǐng)?bào)》，采用本搜索算法后識(shí)別率提高6％之多，而識(shí)別速度則基本相當(dāng)。2.在人機(jī)對(duì)話系統(tǒng)中的應(yīng)用現(xiàn)已完成的應(yīng)用領(lǐng)域包括旅游信息咨詢系統(tǒng)LoadStar；旅館預(yù)定系統(tǒng)以及餐館翻譯幫助系統(tǒng)，通過(guò)替換詞表，替換語(yǔ)言模型本發(fā)明就可以非常簡(jiǎn)單地進(jìn)行不同任務(wù)領(lǐng)域的系統(tǒng)移植，也可說(shuō)明本發(fā)明同具體應(yīng)用領(lǐng)域、詞表和語(yǔ)言模型等無(wú)關(guān)。系統(tǒng)由語(yǔ)音識(shí)別、語(yǔ)言理解、對(duì)話管理、語(yǔ)言響應(yīng)生成、語(yǔ)音合成等五大模塊組成。其中語(yǔ)音識(shí)別模塊內(nèi)含采用本發(fā)明而實(shí)現(xiàn)的算法。
權(quán)利要求
1.一種漢語(yǔ)連續(xù)語(yǔ)音識(shí)別的集成預(yù)測(cè)搜索方法，其特征在于把帶調(diào)三音子模型和三元詞的統(tǒng)計(jì)語(yǔ)言模型一次性地進(jìn)行集成搜索，并在解碼過(guò)程中進(jìn)行語(yǔ)言模型的預(yù)測(cè)；搜索的核心算法采用時(shí)間幀同步多門限裁減搜索，在搜索過(guò)程中利用詞庫(kù)的特殊結(jié)構(gòu)和三元統(tǒng)計(jì)模型進(jìn)行預(yù)測(cè)語(yǔ)言模型的檢索。
2.根據(jù)權(quán)利要求1所述的一種漢語(yǔ)連續(xù)語(yǔ)音的集成預(yù)測(cè)搜索算法，其特征在于搜索詞庫(kù)按樹狀組織并具有以下結(jié)構(gòu)特征1)對(duì)詞庫(kù)中的詞進(jìn)行編號(hào)，編號(hào)的原則是詞庫(kù)編號(hào)與按樹狀組織后樹葉節(jié)點(diǎn)所對(duì)應(yīng)的詞的排列順序一致；2)樹狀組織的詞庫(kù)，其每個(gè)代表模型的節(jié)點(diǎn)含有兩個(gè)詞的編號(hào)(Wx，Wy)，表示從該節(jié)點(diǎn)出發(fā)可以擴(kuò)展的詞的范圍；3)若節(jié)點(diǎn)m是由節(jié)點(diǎn)n擴(kuò)展而得到，則必有Wmx＜＝Wnx＜＝Wny＜＝Wmy。
3.根據(jù)權(quán)利要求1、2所述的一種漢語(yǔ)連續(xù)語(yǔ)音集成搜索方法，其特征在于其聲學(xué)模型采用了帶調(diào)的三音子模型，帶調(diào)三音子韻母模型的模型不但依賴于左、右邊的聲母而且依賴于左二右二的韻母聲調(diào)和本身的聲調(diào)，因而在詞庫(kù)的樹狀組織中加入聲調(diào)信息；通過(guò)把韻母的聲調(diào)信息附在同一音節(jié)的相應(yīng)聲母上，相應(yīng)地使得在搜索過(guò)程中只需要預(yù)擴(kuò)展一層節(jié)點(diǎn)。
4.根據(jù)權(quán)利要求1所述的一種漢語(yǔ)連續(xù)語(yǔ)音集成搜索方法，其特征在于采用了一種多門限的束搜索；設(shè)定n個(gè)門限P0，P1，P2，...，Pn，算法如下a)判斷某一條路徑所落的得分區(qū)間，即如果Pi＝<P>＝Pi+1，則該條路徑認(rèn)為落在第i個(gè)區(qū)間；該區(qū)間路徑個(gè)數(shù)計(jì)數(shù)器加1，即Ci++；Si=Σj=1iCj]]>b)對(duì)于i＝1，...，N，計(jì)算Si。找到滿足Si＞＝CountThread的最小i，則裁減門限就為Pi。c)根據(jù)Pi門限裁減路徑。
5.根據(jù)權(quán)利要求1所述的一種漢語(yǔ)連續(xù)語(yǔ)音的集成搜索策略，其基本特征在于采用了三元語(yǔ)言模型的預(yù)測(cè)；從節(jié)點(diǎn)n擴(kuò)展到節(jié)點(diǎn)m時(shí)，預(yù)測(cè)的計(jì)算公式為Prob(Pathj)＝[Prob(Pathi)-ProbLm(W1，W2，n)]+ProbLm(W1，W2，m)在公式Prob(Pathj)＝[Prob(Pathi)-ProbLm(W1，W2，n)]+ProbLm(W1，W2，m)中，ProbLm(W1，W2，x)表示從節(jié)點(diǎn)x出發(fā)的所有詞中與W1，W2三元連接最大的概率，即ProbLm(W1，W2，x)＝MaxProb(W1，W2，W3)，此處W3為所有從節(jié)點(diǎn)x出發(fā)可以到達(dá)的詞。
6.根據(jù)權(quán)利要求1、5要求所述的一種漢語(yǔ)連續(xù)語(yǔ)音的集成搜索策略，其基本特征在于設(shè)立了一個(gè)概率檢索緩沖區(qū)，該檢索緩沖區(qū)每一項(xiàng)由四個(gè)元素組成ProbBuffer＝{W1，W2，W3，n，MaxLm}；在搜索過(guò)程中，需要調(diào)用ProbLm(W1，W2，m)函數(shù)時(shí)，可在緩沖區(qū)首先進(jìn)行檢索1)在緩沖區(qū)中找到W1，W2，m，則直接輸出MaxLm2)在緩沖區(qū)中找不到W1，W2，m，但在緩沖區(qū)中可以找到W1，W2，n，其中n是m的父節(jié)點(diǎn)，而且滿足Wmx＜＝W3＜＝Wmy，則直接輸出MaxLm3)否則直接去語(yǔ)言模型檢索ProbLm。
全文摘要
漢語(yǔ)連續(xù)語(yǔ)音識(shí)別的集成預(yù)測(cè)搜索方法屬自動(dòng)語(yǔ)音識(shí)別領(lǐng)域,其基本特征在于把帶調(diào)三音子模型和三元詞的統(tǒng)計(jì)語(yǔ)言模型一次性地進(jìn)行集成搜索,并在解碼過(guò)程中進(jìn)行語(yǔ)言模型的預(yù)測(cè)。本發(fā)明涉及集成搜索方法、詞庫(kù)的組織、預(yù)測(cè)語(yǔ)言模型的檢索、局部搜索路徑的裁減方面的問題。
文檔編號(hào)G06F17/30GK1346112SQ0012497
公開日2002年4月24日 申請(qǐng)日期2000年9月27日 優(yōu)先權(quán)日2000年9月27日
發(fā)明者徐波, 黃泰翼 申請(qǐng)人:中國(guó)科學(xué)院自動(dòng)化研究所