（信号与信息处理专业论文）声纹密码技术研究.pdf

u n i v e r s i t 3o f 一 a n dt e c h n o l 0 9 3o fchinaun l v e r s l t yo tsc i e n c ea n dl e c l m o l o g vo tc h i n a d i s s e r t a t i o nf o rd o c t o r sd e g r e e ar e s e a r c ho nt h ev o c a i p a s s w or ds y s t em a u t h o r sn a m e ： y i q i a np a n s p e c i a l i t y ：s i g n a l & i n f o r m a t i o np r o c e s s i n g s u p e r v i s o r ：p r o f q i n g f e n g l i u p r o f l i - r o n gd a i f i n i s h e dt i m e ： m a y9 ，2 0 1 2 中国科学技术大学学位论文原创性声明 本人声明所呈交的学位论文，是本人在导师指导下进行研究工作所取得的 成果。除己特别加以标注和致谢的地方外，论文中不包含任何他人已经发表或 撰写过的研究成果。与我一同工作的同志对本研究所做的贡献均己在论文中作 了明确的说明。 作者签名：签字日期：少穆占莎 中国科学技术大学学位论文授权使用声明 作为申请学位的条件之一，学位论文著作权拥有者授权中国科学技术大学 拥有学位论文的部分使用权，即：学校有权按有关规定向国家有关部门或机构 送交论文的复印件和电子版，允许论文被查阅和借阅，可以将学位论文编入中 国学位论文全文数据库等有关数据库进行检索，可以采用影印、缩印或扫描 等复制手段保存、汇编学位论文。本人提交的电子文档的内容和纸质论文的内 容相一致。 保密的学位论文在解密后也遵守此规定。 d 公开口保密(年) 作者签名：超盎 签字日期： o ，6 6 导师签名：毖边旅争荔 签字日期： 型兰兰：2 摘要 摘要 在生物特征认证技术领域，声纹密码具备快速、便捷、双重加密等优势， 在刑侦、安全、经济、生活等各个方向拥有广阔的应用前景。经典的声纹密码 系统首先采用语音识别系统对密码内容进行确认，再利用文本无关的说话人识 别系统对说话人个性特征进行确认，两次确认策略确保了声纹密码系统的高性 能。然而现有的声纹密码系统过多地依赖于语音识别对密码内容的预判决功能， 如果冒认者已经获得密码内容，系统错误接收率将显著增加。在此背景下，本 文针对冒认者己知密码文本的声纹密码任务，分别在特征域、模型域和得分域 进行深入研究和创新，提升了密码文本己知时的系统性能。 首先，本文在声纹密码系统特征前端提出特征域偏差估计( f s b e ) n 信道补 偿方法。利用卷积信道噪声在倒谱域表现为线性偏移的现象，传统的c m s 、 c m v n 、双高斯c d f m a t c h i n g 等信道补偿方法基于单高斯或双高斯特征分布假 设，利用各种特征参数归一化方法削弱信道和噪声干扰。相对于传统方法因单 高斯或双高斯特征分布假设与实际数据分布不符带来的局限性，本文提出的 f s b e 方法利用最大化每条测试语音相对于说话人模型和冒认者模型似然度， 将测试语音自动投影至目标模型各高斯分量对应的信道空间，训练获得线性或 分段线性特征偏移参数。f s b e 方法不再依赖参数归一化思想，通过训练获得 较好的特征优化效果，也可用作传统信道补偿技术的补充方法。实验验证了特 征域偏移估计方法对声纹密码系统信道失配问题具有一定的改善效果。 其次，本文对声纹密码系统中说话人模型建模方法进行了研究，提出了高 斯混合帧模型( g m f m ) 的新方法。传统的非参数与参数模型估计方法在密码已 知的声纹密码系统中都存在不足之处，前者仅能反映有限注册数据的分布结构， 无法描述潜在变化规律以及说话人内部差异，后者在数据稀疏情况下难以获得 准确的参数估计，比如g m m u b m 方法中仅调整均值向量不更新协方差矩阵的 近似策略导致说话人模型与实际数据分布差异较大，且g m m 模型存在忽略文 本相关瞬时信息的缺陷。本文结合非参数方法与参数估计方法提出了g m f m 建 模方法，以每帧训练样本注册一个高斯分量，令每个高斯密度函数的均值向量 为对应帧特征向量。为了避免参数估计过拟合的问题，该策略假定所有高斯分 量共享少量数目的协方差对角阵，利用最大似然准则进行训练，从而获得较为 准确的说话人模型。g m f m 方法兼顾了文本相关瞬时信息和说话人内部差异， 并且通过绑定方差缓解了数据稀疏的影响，尤其适合短时声纹密码任务。实验 表明基于g m f m 模型的声纹密码系统相对基线系统获得较大性能提升。 再次，本文在声纹密码任务中提出一种基于最小分类错误( m c e ) 准则的区 分性声纹密码模型训练策略。传统区分。陛) l l 练方法对数据量需求较大，在声纹 密码这类短语音任务中难以发挥效用。本文提出的区分性训练新策略将训练集 所有说话人的原始特征转换为一种表征其相对于注册模板距离的说话人无关新 特征，从而可以集中所有说话人数据组成正例训练集和反例训练集，最终基于 m c e 准则进行两类区分性训练获得一对通用的正例和反例模型。该策略不仅巧 妙地解决了声纹密码任务中区分性训练数据量不足的问题，而且将说话人相关 的确认任务转化为说话人无关的经典分类任务，更加灵活有效、节省资源、适 合大规模测试任务。实验表明基于区分性模型的声纹密码系统与g m m u b m 系 统具有良好的互补性，融合后相对基线系统有明显性能提升。 最后，本文引入得分域多维特征分类器方法以增强声纹密码系统的区分能 力。传统声纹密码系统直接采用测试语音平均帧得分作为确认判决依据，由于 不同类型的语音对目标说话人的区分能力不同，直接赋予所有帧得分相同权重 会导致系统性能受损。本文提出的得分域多维特征分类器方法在两种帧分类策 略基础上利用各类似然比得分构建得分域多维特征，并选择经典的支持向量机 ( s v m ) 方法实现训练和测试。相比于传统声纹密码系统得分域一维特征加阈 值的判断策略，新方法引入并定义了合理的得分域多维特征，并辅之以稳定的 区分性分类器，将传统的似然比检验策略转换成为多维特征空间上的二类分类 问题，进一步提升了声纹密码系统的区分能力和鲁棒性。 关键词：声纹密码，说话人确认，高斯混合帧模型，区分性训练，得分域特征 分类器，高斯混合模型一统一背景模型，支持向量机 i i a b s t r a c t a m o n gv a r i o u sk i n d so fb i o m e t r i c b a s e d a u t h e n t i c a t i o nt e c h n o l o g y , v o c a l p a s s w o r dh a sa t t r a c t e dm o r ea t t e n t i o nb ys u c ha d v a n t a g e sa si t sd o u b l ee n c r y p t i o n a n db e i n gc o n v e n i e n tt op r o d u c e ，c a p t u r e ，a n dt r a n s m i to v e rt e l e p h o n eo rn e t w o r k i n t r a n d i t i o n a lv o c a lp a s s w o r ds y s t e m s ，t h ep a s s w o r dc o n t e n ta n dt h es p e a k e r s p e c i f i c v o i c ec h a r a c t e r i s t i cn e e dt ob ec o n f i r m e db ys p e e c hr e c o g n i t i o na n ds p e a k e r r e c o g n i t i o nr e s p e c t i v e l y i t i se a s yt oa c h i e v eg o o dp e r f o r m a n c ev i at h et w o 。p a s s s t r a t e g y h o w e v e r , o n c et h e c o n t e n to ft h ee n r o l l e dp a s s w o r dh a sb e e na l r e a d y o b t a i n e db yi m p o s t o r s ，f a l s ea c c e p tr a t eo ft r a n d i t i o n a lv o c a lp a s s w o r ds y s t e m s w i l l d r a m a t i c a l l y i n c r e a s ew i t h o u tt h eh e l po fs p e e c hr e c o g n i z e r t h i s d i s s e r t a t i o n p a r t i c u l a r l yf o c u s e so nv o c a lp a s s w o r ds y s t e mw i t hk n o w np a s s w o r da n dl i m i t e d t r a i n i n gu t t e r a n c e s ，c a r r i e so u tas y s t e m a t i ca n di n d e p t hr e s e a r c ho nt h i st o p i c ，a n d i n t r o d u c e si n n o v a t i o n si nf e a t u r ep r o c e s s i n g ，m o d e lt r a i n i n ga n dd e c i s i o na l g o r i t h m a sf o l l o w s ： f i r s t l y ，t h i sd i s s e r t a t i o np r o p o s e sac h a n n e lc o m p e n s a t i o nt e c h n o l o g yn a m e d f e a t u r es p a c eb i a se s t i m a t i o n 伍s b e ) a st h ei n f l u e n c eo fc h a n n e ln o i s ei ss h o w n a sal i n e a rf u n c t i o ni nc e p s t r u md o m a i n ，t h et r a d i t i o n a lv o c a lp a s s w o r ds y s t e m su s e d t oa p p l ys o m em e t h o d si nf e a t u r ed o m a i nt oe n h a n c et h ec h a n n e lr o b u s t n e s s ，s u c ha s c m s 。c m v na n dd o u b l eg a u s s i a nb a s e dc d f m a t c h i n g t h ep r o b l e mo ft h e s e m e t h o d sr e s u l t sf r o ma na s s u m p t i o nt h a tt h ed i s t r i b u t i o no v e rt e s ts p e e c hs h o u l db e c o n s i d e r e da sas i n g l eo rd o u b l eg a u s s i a n t h em e t h o do ff s b ed i s c a r d st h a t i m p r a c t i c a la s s u m p t i o na n dp r o je c t st h et e s ts p e e c ho n t ot h ec h a n n e ls p a c eo f e a c h g a u s s i a no fs p e a k e rm o d e l i te s t i m a t e st h ep a r a m e t e r so fc o r r e s p o n d i n gl i n e a r f u n c t i o n sb ym a x i m i z i n gt h el i k e l i h o o db e t w e e nt h et e s ts p e e c ha n dt h et a r g e to r i m p o s t e rs p e a k e rm o d e l s e x p e r i m e n t ss h o w t h a tb e t t e rp e r f o r m a n c ec a nb ea c h i e v e d b ya d d i n gf s b ea n di t sm o d i f i e ds t r a t e g yi nt h ec r o s s - c h a n n e lc o n d i t i o n s e c o n d l y , t h i sd i s s e r t a t i o np r o p o s e san o v e lm o d e l i n gs t r a t e g yn a m e dg a u s s i a n m i x t u r ef r a m em o d e l ( g m f m ) t h et r a d i t i o n a lm o d e l i n ga p p r o a c h e sa r eu s u a l l y d i v i d e di n t ot w ok i n d s ：t h en o n - p a r a m e t r i cm e t h o d sa n dp a r a m e t e re s t i m a t i o n m e t h o d s t h es p e a k e rm o d e lo ft h ef i r s tk i n d c a n n o td e s c r i b et h e p o t e n t i a l d i s t r i b u t i o na n di n t r a s p e a k e rv a r i a b i l i t y , b u to n l yr e p r e s e n tt h el i m i t e ds t r u c t u r eo f e n r r o l l e dd a t a a st ot h es e c o n dk i n d ，t h em a i nd i s a d v a n t a g ei st h a ti ti sd i f f i c u l tt o i i i a b s t r a c t o b t a i na c c u r a t ee s t i m a t i o no fp a r a m e t e r si nt h es i t u a t i o no fd a t as p a r s i t y , a l t h o u g h g m m - u b mi sk n o w nf o rt h es m a r tf r a m e w o r ks o l v i n gt h a t p r o b l e m ，i t s p e r f o r m a n c ei ss t i l ln e g a t i v e l ya f f e c t e db yt h ea p p r o x i m a t i o no fc o v a r i a n c em a t r i x a n dt h en e g l e c to fi n s t a n t a n e o u sc h a r a c t e r i s t i c t og e tr i do ft h o s ed i s a d v a n t a g e s ，t h e n e wm o d e l i n gm e t h o dg m f mi sp r o p o s e d i nt h i sm e t h o d ，t h em e a nv e c t o r sa r e d i r e c t l yf i x e db yt h ec o r r e s p o n d i n gs a m p l ev e c t o r s ，a n dt h ec o v a r i a n c em a t r i xi s c o n s t r a i n e da sag l o b a ld i a g o n a lm a t r i xo rs e v e r a lc l u s t e r sa n dt h e ne s t i m a t e do nt h e m a x i m u ml i k e l i h o o dc r i t e r i a i tc a nb ev i e w e da st h eh y b r i do fp a r a m e t e rm e t h o d a n dt h en o n - p a r a m e t r i cp r o c e d u r e a sar e s u l t ，g m f mi sa b l et oe f f e c t i v e l ys o l v et h e p r o b l e mo fd a t as p a r s i t y , a n dr e f l e c tb o t ht h ei n t r a s p e a k e rv a r i a b i l i t y a n dt h e i n s t a n t a n e o u si n f o r m a t i o n e x p e r i m e n t a lr e s u l t ss u g g e s tt h a tt h eg m f m - b a s e d s y s t e mo u t p e r f o r m sb a s e l i n e s t h i r d l y , t h i sd i s s e r t a t i o n i n t r o d u c e s t h ed i s c r i m i n a t i v e t r a i n i n g t ov o c a l p a s s w o r ds y s t e mi no r d e rt oi m p r o v ei t sr o b u s tp e r f o r m a n c e b e i n gu n a b l et om e e t t h en e e do fl a r g ea m o u n to fd a t a ，t h et r a d i t i o n a ld i s c r i m i n a t i v et r a i n i n gh a sn o tb e e n s u c c e s s f u l l ya p p l i e di nv o c a lp a s s w o r du pt on o w t h i sd i s s e r t a t i o np r o v i d e sa n i n t e r e s t i n gd i s c r i m i n a t i v et r a i n i n g f r a m e w o r kb a s e do nas p e c i a lp r e - p r o c e s s i n g s t r a t e g y , b yw h i c ht h eo r i g i n a lf e a t u r ei st r a n s f o r m e di n t oa n e wo n er e p r e s e n t i n gt h e d i s t a n c em e a s u r e b e t w e e nt h et e s ts p e e c ha n di t sc o r r e s p o n d i n gp a r e r n ，a n da l lt h e t r a i n i n gd a t ai sc o n s e q u e n t l yd i v i d e di n t ot w oc l a s s e s t h e nt h et r o u b l ec a u s e db y d a t as p a r s i t yc a nb es o l v e dt os o m ee x t e n t ，a n dt h ed i s c r i m i n a t i v et r a i n i n go f t w o c l a s sm o d e l si ss u c c e s s f u l l yr e a l i z e do nt h em i n i m u mc l a s s i f i c a t i o ne r r o rc r i t e r i a a sac o n s e q u e n c e ，t h ef u s i o no ft h i sd i s c r i m i n a t i v em o d e lb a s e ds y s t e mw i t h g m m u b ms y s t e ml e a d st os t e a d yi m p r o v e m e n t si ne x p e r i m e n tr e s u l t s 。 f i n a l l y , t h i sd i s s e r t a t i o np r o p o s e sa s c o r ed o m a i no fv o c a lp a s s w o r ds y s t e m n l u l t i d i m e n s i o nf e a t u r ec l a s s i f i e ri nt h e a si g n o r i n gt h ed i f f e r e n td i s c r i m i n a t i o n a b i l i t yb e t w e e nt y p e so fd a t a ，t h ew i d e l y u s e da v e r a g el i k e l i h o o dr a t i os t r a t e g y b r i n g sh a r mt ot h es y s t e mp e r f o r m a n c e i no r d e r t og e tan e wv e r i f i c a t i o nm e a s u r et o p r o v i d ea p p r o p r i a t ew e i g h tt ot h es c o r eo fe a c ht y p e ，w ep r o p o s ean o v e ls t r a t e g yi n s c o r ed o m a i n ，w h i c hi st oc l a s s i f yt h ef r a m e sb yu b m ，c o m b i n et h el i k e l i h o o dr a t i o s c o r eo fe a c hc l a s st of o r mn e wm u l t i d i m e n s i o nf e a t u r e ，a n dt h e np e r f o r ms p e a k e r v e r i f i c a t i o nb ys v m b yu s eo ft h i sn e wv e r i f i c a t i o nm e a s u r e ，t h ev o c a lp a s s w o r d p r o b l e m i st r a n s f o r m e di n t oat w o c l a s s m u l t i - d i m e n s i o nf e a t u r es p a c e e x p e r i m e n t ss h o w i v c l a s s i f i c a t i o n p r o b l e m i nt h e t h a tn e ws c o r i n gm e t h o du s i n gt h e a b s t r a c t m u l t i d i m e n s i o nc l a s s i f i e ro fs c o r ed o m a i np r o d u c e se x c e l l e n te r r o rr a t e sa n dr o b u s t p e r f o r m a n c eb o t hi nt h ec o - - c h a n n e la n dc r o s s - c h a n n e ls i t u a t i o n s k e yw o r d s ：v o c a lp a s s w o r d ，s p e a k e rv e r i f i c a t i o n , g a u s s i a nm i x t u r ef r a m em o d e l ， d i s c r i m i n a t i v et r a i n i n g ，m u l t i d i m e n s i o nc l a s s i f i e ri ns c o r ed o m a i n ，g m m _ u b m ， s u p p o r tv e c t o rm a c h i n e v a b s t r a c t v l 目录 目录 摘要i a b s t r a c t i i i 目录v i i 英文缩写及主要符号对照表x i 插图索引x v 表格索引x v i i 第一章绪论1 1 1引言1 1 1 1 背景介绍1 1 1 2 身份认证技术1 1 2 声纹密码3 1 2 1 说话人识别技术简介3 1 2 2 声纹密码技术简介3 1 2 3 声纹密码系统框架5 1 3国内外相关工作进展6 1 4 数据库介绍7 1 5 系统性能评价指标9 1 6 论文组织结构9 第二章传统声纹密码系统介绍1 1 2 1引言1 1 2 2 特征前端12 2 3基于动态时间规整方法的声纹密码系统1 2 2 3 1 d t w 模板匹配1 2 2 3 2 存在问题及改进方法1 4 2 4 基于最近邻方法的声纹密码系统1 5 i 目录 2 4 1n e a r e s tn e i g h b o r 模板匹配1 5 2 4 2 存在问题及改进方法1 6 2 5 基于高斯混合模型一通用背景模型的声纹密码系统1 7 2 5 1u b m m a p 注册框架18 2 5 2 测试过程2 3 2 6 实验和分析2 4 2 6 1 实验细节和参数配置2 4 2 6 2 结果与分析2 5 2 7 本章小结2 7 第三章声纹密码系统特征前端技术2 9 3 1引言2 9 3 2 特征提取2 9 3 3 传统特征优化策略3 2 3 3 1端点检测3 3 3 3 2 高阶差分3 5 3 3 3 高通滤波3 5 3 3 4 统计匹配方法3 6 3 4 特征域偏差估计方法3 8 3 5 实验和分析4 1 3 5 1 实验细节和参数配置4 1 3 5 2 结果与分析4 2 3 6 本章小结4 3 第四章基于高斯混合帧模型的声纹密码建模方法x l v 4 1 引言x l v 4 2 高斯混合帧模型概述x l v i 4 3 基于高斯混合帧模型的声纹密码系统x l v i i 4 3 1 模型参数估计x l v i i 4 3 2 与n e a r e s tn e i g h b o r 算法的关系x l v i i i 4 3 3 测试过程x l i x v i i i 目录 4 4 实验和分析l 4 4 1 实验细节和参数配置l 4 4 2 结果与分析l i 4 5 本章小结l i i i 第五章基于最小分类错误的声纹密码区分性建模方法。5 5 5 1引言5 5 5 2 产生式模型与区分性模型的比较5 6 5 3区分性训练概述5 7 5 3 1 m c e 准则5 8 5 3 2 参数优化6 0 5 4 声纹密码区分性模型6 2 5 。4 1问题定义6 3 5 4 2 特征定义6 5 5 4 3 区分性训练6 6 5 5 实验和分析6 7 5 5 1实验细节和参数配置6 7 5 5 2 结果与分析6 8 5 6 本章小结7 0 第六章基于得分域多维特征分类器的声纹密码判决策略7 1 6 1 引言7 1 6 2 文本相关g m m u b m 系统7 2 6 3 得分域多维特征分类器原理7 3 6 3 1 分类函数7 4 6 3 2 转换函数7 5 6 4 得分域多维特征分类器系统实现策略7 9 6 5 支持向量机8 1 6 5 1 最大分割距离线性分类器8 1 6 5 2g s v - s v m 系统8 7 6 6 实验和分析9 0 i x 目录 6 6 1 实验细节和参数配置9 0 6 6 。2 结果与分析9 l 6 7 本章小结9 3 第七章结论9 5 7 1 本论文工作总结9 5 7 2 进一步的研究工作9 6 参考文献9 9 致谢1 0 7 博士期间发表的论文与参与的研究工作1 0 9 x 英文缩写及主要符号对照表 d d ( i i ( ) p ( ) q ，r f 丁 o ，o 兄，人 y 0 - 27 w a n n c d f c d f - m a t c h i n g c m s c m v n d c t d e t d f t d p d t d t w e b w e c e e r e m e v 英文缩写及主要符号对照表 向量维数 模型间k l d 距离度量 高斯概率密度函数 概率 辅助函数 语料序号及语料总数 时刻及总时间 观测序列或某具体观测向量 声学模型参数 后验概率( 占有率) 高斯概率密度函数均值及均值向量 高斯概率密度函数方差及协方差矩阵 混合高斯权重 a r t i f i c i a ln e u r a ln e t w o r k ，人工神经网络 c u m u l a t i v ed i s t r i b u t i o nf u n c t i o n ，累积分布概率 c u m u l a t i v ed i s t r i b u t i o nf u n c t i o n m a t c h i n g ，累积分布 概率匹配 c e p s t r u mm e a ns u b t r a c t i o n ，倒谱均值减 c e p s t r a lm e a na n dv a r i a n c en o r m a l i z a t i o n ，倒谱域均值 方差规整 d i s c r e t ec o s i n et r a n s f o r m ，离散余弦变换 d e t e c t i o ne r r o rt r a d e o f f , 检测错误平衡( 图) d i s c r e t ef o u r i e rt r a n s f o r m ，离散傅立叶变换 d y n a m i cp r o g r a m m i n g ，动态规划 d i s c r i m i n a t i v et r a i n i n g ，区分性训练 d y n a m i ct i m ew a r p i n g ，动态时间规整 e x t e n d e db a u m w r e l c h ，扩展b a u m w e l c h ( 算法) e i g e nc h a n n e l ，本征信道 e q u a le r r o rr a t e ，等错误率 e x p e c t a t i o nm a x i m i z a t i o n ，期望最大化( 算法) e i g e nv o i c e ，本征语音 x i 英文缩写及主要符号对照表 f a r f s b e f r r g m f m g m m g m m u b m g p d g s v 二s v m h e q h m m j f a k k t k l d l f a l p c c m a p m c e m f c c m l m l p m m i m p e p l p r a s t a r b f s i s r s v f a l s ea c c e p t a n c er a t e ，错误接收率 f e a t u r es p a c eb i a se s t i m a t i o n ，特征域偏差估计( 方法) f a l s er e j e c t i o nr a t e ，错误拒绝率 g a u s s i a nm i x t u r ef r a m em o d e l ，高斯混合帧模型 g a u s s i a nm i x t u r em o d e l ，高斯混合模型 g a u s s i a nm i x t u r em o d e l u n i v e r s a lb a c k g r o u n dm o d e l ， 高斯混合模型一统一背景模型( 方法) g e n e r a l i z e dp r o b a b i l i t yd e s c e n t ，广义概率下降 g a u s s i a nm i x t u r em o d e ls u p e r v e c t o r s u p p o r tv e c t o r m a c h i n e ，高斯混合模型均值超向量一支持向量机( 方 法) h i s t o g r a me q u a l i z a t i o n ，直方图均衡 h i d d e nm a r k o vm o d e l ，隐马尔可夫模型 j o i n tf a c t o ra n a l y s i s ，联合因子分析 k a r u s h k u h n t u c k e r ，k k t 条件 k u l l b a c k l e i b l e rd i v e r g e n c e ，k l d 距离 l a t e n tf a c t o ra n a l y s i s ，潜因子分析 l i n e a rp r e d i c t i o nc e p s t r u mc o e f f i c i e n t s ，线性预测倒谱 参数 m a x i m u map o s t e r i o r ，最大后验概率( 准则) m i n i m u mc l a s s i f i c a t i o ne r r o r ，最小分类错误( 准则) m e l f r e q u e n c yc e p s t r u mc o e f f i c i e n t s ，梅尔频率倒谱参 数 m a x i m u ml i k e l i h o o d ，最大似然度( 准则) m u l t i l a y e rp e r c e p t r o n ，多层感知器 m a x i m u mm u t u