專利名稱：一種用于口語測試的文本朗讀水平自動評估診斷方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計算機(jī)輔助語言學(xué)習(xí)領(lǐng)域，具體涉及一種用于口語測試的文本朗讀水
平自動評估診斷方法，它要求測試者朗讀預(yù)先設(shè)定的文本，然后利用收集到的語音對測試 者的口語能力做出自動評估。
背景技術(shù)：
近十年來，計算機(jī)輔助學(xué)習(xí)技術(shù)得到業(yè)界的廣泛關(guān)注，并且取得了長足的進(jìn)步，尤 其是在口語學(xué)習(xí)領(lǐng)域，人機(jī)交互的學(xué)習(xí)方式幾已趨于使用。在這種情況下，將口語評估從全 人工的方式中解脫出來更是大勢所趨。要做到這一點，計算機(jī)作為"虛擬教師"，必須能對測 試者的口語能力做出一個公允、準(zhǔn)確、詳盡的評估。這就需要設(shè)計者在大量的歷史評估數(shù)據(jù) 中收集足夠多的樣例，用于改進(jìn)計算機(jī)的評估效果。在大規(guī)模數(shù)據(jù)的支持下，相比于傳統(tǒng)的 人工口語評估中所存在的隨意性和主觀性，計算機(jī)評估更能為測試者做出一個公平公正的 評估結(jié)果。至于如何在收集到的大量評估數(shù)據(jù)基礎(chǔ)上，開發(fā)出有效的自動評估算法，則成為 自動口語評估所需要研究的內(nèi)容。 目前已有的自動口語評估方法的框架大體都是基于朗讀語音評估，通過評估測試 者的朗讀語音得出機(jī)器評分，其選用的特征主要是發(fā)音和漢語聲調(diào)，并且診斷信息不足。

發(fā)明內(nèi)容
本發(fā)明的目的是在收集到的大量評估數(shù)據(jù)基礎(chǔ)上，開發(fā)出有效的自動評估方法， 通過對測試者的朗讀語音進(jìn)行處理，從而自動評估其口語能力，為此本發(fā)明提出一種用于 口語測試的文本朗讀水平自動評估診斷方法。 為達(dá)成所述目的，本發(fā)明提供一種用于口語測試的文本朗讀水平自動評估診斷方 法，其技術(shù)方案如下所述測試者朗讀預(yù)先設(shè)定的文本，提取測試者按照給定文本朗讀語音 的特征，選取完整性、準(zhǔn)確性和流利性三方面特征作為機(jī)器評估的評判標(biāo)準(zhǔn)，在歷史評估數(shù) 據(jù)上提取并訓(xùn)練其統(tǒng)計模型和擬分模型用于實際的評估。測試的時候，同樣提取測試人朗 讀語音的特征，在統(tǒng)計模型上打分，最后通過擬分模型得出實際的機(jī)器分。同時，對該測試 者的各項語言能力，該發(fā)明可以按照不同的分類給出其相應(yīng)的診斷信息，用于糾正測試者 的錯誤，使其能夠在測試中不斷進(jìn)步。 本發(fā)明的有益效果本發(fā)明基于測試人朗讀語音的語言能力自動評估，利用大量 的歷史評估數(shù)據(jù)，該方法能夠做到公允、準(zhǔn)確、詳盡的口語能力評估，并且能有效地克服人 工評分的隨意性和主觀性，從而促進(jìn)測試者的語言學(xué)習(xí)過程。本發(fā)明的特點是利用改進(jìn)的 發(fā)音、聲調(diào)、語速和音節(jié)段長特征，同時加入特有的對齊特征、停頓特征和編輯特征，將特征 分別歸為完整性、準(zhǔn)確性和流利性三大類，分門別類對測試者的語音做評估和診斷。同時針 對不需要診斷信息和需要診斷信息的場合，分別采用直接擬合和分層擬合框架做機(jī)器分?jǐn)M 合。此外，采用分段擬合來處理失衡的訓(xùn)練數(shù)據(jù)。


圖1是本發(fā)明的朗讀語音評估總體框架。
圖2是本發(fā)明的直接擬合框架。 圖3是本發(fā)明的分層擬合框架。 圖4是本發(fā)明的英語口語診斷界面示例圖。 圖5是本發(fā)明的漢語聲調(diào)診斷界面示例圖。
具體實施例方式
下面結(jié)合附圖詳細(xì)說明本發(fā)明技術(shù)方案中所涉及的各個細(xì)節(jié)問題。應(yīng)指出的是，
所描述的實施例僅旨在便于對本發(fā)明的理解，而對其不起任何限定作用。 請參閱圖l，本發(fā)明的朗讀語音評估總體框架。對照圖l，為了達(dá)到朗讀評估的目
的，需要在一臺配備錄音設(shè)備的計算機(jī)上實現(xiàn)本發(fā)明的朗讀語音評估，還需要準(zhǔn)備的資源
包括歷史評估數(shù)據(jù)和朗讀文本；需要使用通用編程語言(如C++)編制總體結(jié)構(gòu)各模塊的
程序，包括模型訓(xùn)練模塊、擬合參數(shù)訓(xùn)練模塊、特征提取模塊和分?jǐn)?shù)擬合模塊；在測試時
候也需要要求測試者按照朗讀文本進(jìn)行朗讀錄音。至此，實際的評估流程為測試者利用模
型訓(xùn)練模塊按照朗讀文本進(jìn)行錄音，然后利用特征提取模塊提取測試者按照給定文本進(jìn)行
朗讀語音的各項特征，利用擬合參數(shù)訓(xùn)練模塊訓(xùn)練朗讀特征與人工評分的擬分模型；利用
分?jǐn)?shù)擬合模塊測試時依據(jù)其朗讀特征并且用擬分模型得出機(jī)器評估分?jǐn)?shù)和相關(guān)的診斷信
息。其中特征提取模型和擬分模型的參數(shù)是通過歷史評估數(shù)據(jù)訓(xùn)練出來的。
下面對本發(fā)明方法的具體特征說明如下 —、特征部分； 1、完整性特征，其是用于表征測試者朗讀內(nèi)容與標(biāo)準(zhǔn)答案的符合度。根據(jù)側(cè)重點 不同，完整性特征又分為詞對齊特征和段對齊特征。
其提取方法是將測試者朗讀語音做自動識別的結(jié)果Sr與標(biāo)準(zhǔn)文本Sd分別做正
向和反向的動態(tài)匹配，取兩次匹配的交集(加上不匹配部分的邊界重復(fù)段)為匹配集合&。
對于屬于匹配集合Sa的每一個詞Wa，將緊臨Wa的兩個詞都標(biāo)記為匹配，這時候得到的匹配
集合是Sm。這樣就有 詞對齊特征WRM = Sa/Sd。 段對齊特征SM = Sm/Sd。 2、準(zhǔn)確性特征，其包括發(fā)音和聲調(diào)兩部分。 發(fā)音特征向量Fp的提取方法是取完整性特征中匹配集合Sa，做音素級別的自動 強(qiáng)制對齊，對于對齊后的每個音素P及其語音信號O，計算給定音素P的聲學(xué)模型Mp情況下， 語音信號0的模型打分P(OlMp)作為發(fā)音打分Ppi。將M種不同的模型打分方法計算出的 分?jǐn)?shù)合并為一個發(fā)音打分向量作為發(fā)音特征Pp = [Ppl， Pp2， . . . ， PPM]，并按照朗讀文本做加
權(quán)。最終發(fā)音特征向量 其中、是音素P的發(fā)音權(quán)重。 <formula>formula see original document page 5</formula> 模型打分方法有如下幾種
a)基于隱馬模型對數(shù)似然分LL :<formula>formula see original document page 6</formula>
其中音素對應(yīng)語音0t，長度為Ni，起始時間是t。， logP (ot I qi)是0t在qi上的聲
學(xué)模型打分。最終的打分是在整句上做平均，其中句長M:
似
J 7W
丄丄=——5]丄丄(《,)
M臺
b)基于隱馬模型對數(shù)后驗概率分LPP : "尸(仏)去》k)g尸fek)
^': f。
bg騷)二bg-她剛 聲調(diào)特征Ft的提取方法是取完整性特征中匹配集合Sa，做音節(jié)級別的自動強(qiáng)制 對齊，對于對齊后的每個音節(jié)W及其語音信號0，計算給定音節(jié)W的聲調(diào)模型Tw情況下，語 音信號0的后驗概率P(OlTj作為聲調(diào)打分P^并按照朗讀文本做加權(quán)。最終聲調(diào)特征Ft 表示如下
= Z尸人
5>(o, l力)尸(力)
其中對應(yīng)語音0t，長度為Ni，起始時間是t。， logP (ot I qi)是0t在qi上的聲學(xué)模 Q是qi的競爭音素集合。 最終的打分是在整句上做平均，其中句長M :
根據(jù)競爭音素不同計算方法，LLP有多種變形，包括全音素LLP,臨近音素LLP，動 ROS = n/T
ART = n' /T' 其中n是總音素個數(shù)，T是總時長；n'是去除重復(fù)音素的總音素個數(shù)，T'是去除音 素間間隔的總時長。 2)音節(jié)段長評估特征SDS，其特點是利用各音素的段長模型對朗讀語音打分，最 后按音素做算術(shù)平局
6<formula>formula see original document page 7</formula> 其中M是總音素個數(shù)，P (t I Pi， o)是給定音素Pi和語音o情況下時長為t的概率。 3)停頓特征PD的檢測，其特點是利用靜音檢測出的停頓點，在停頓模型上對測試
者的停頓次數(shù)和分布進(jìn)行打分 平均停頓時長PDur = np/Tp 平均停頓次數(shù)NDur = np/M 停頓分布向量Pd = [Pn P2， . . . ， P10] 其中rip是總停頓次數(shù)，Tp是總停頓時長，M是句子音素個數(shù)，Pi是停頓間隔排序后，第i/10部分的停頓時長。 4)編輯特征ED，其特點是利用語言編輯模型檢測朗讀語音中音素的重復(fù)個數(shù)N。插入個數(shù)&和刪除個數(shù)Nd，然后對朗讀文本長度歸一化。五D二 … ,, ^ 其中M是總音素個數(shù)，~ Wi和wd分別是三種現(xiàn)象的權(quán)重。
二、分?jǐn)?shù)擬合 在上述特征基礎(chǔ)上，最終的回歸方法采用線性回歸
Y = P 。x。+ P !x一. + P nxn+ e 其中x。. . xn是擬合輸入的歸一化向量，13 。， . . . 13 n是在大規(guī)模數(shù)據(jù)上訓(xùn)練得到的回歸系數(shù)，e是殘差。 本發(fā)明具體的擬合方法有兩種不同的框架，對于不同的應(yīng)用，采取不同的框架做擬合。下面詳述這兩種框架 1)直接擬合框架(參見圖2):對于僅需要機(jī)器分?jǐn)?shù)而不需要診斷信息的場合(如考試)，為了加快計算速度，采取直接擬合模塊。這里不需要按照先前的特征劃分方式(完整性、準(zhǔn)確性和流利性特征)，而是直接將最基本的特征提取出來，直接用于訓(xùn)練擬分模型。這些特征包括詞對齊特征、段對齊特征、發(fā)音特征、聲調(diào)特征、語速特征、段長特征、停頓特征及編輯特征，它們之間是并列的關(guān)系，拼接起來作為擬分模型的訓(xùn)練輸入。也就是說，訓(xùn)練該擬分模型的時候，使用上述所有特征作為x。. . Xn，人工評分為Y，計算模型參數(shù)
P。，... Pn。測試的時候，使用各項特征作為&..&，利用P。，... Pn直接計算出機(jī)器評估分。
2)分層擬合框架(參見圖3): 在需要診斷信息的場合，采取分層擬合框架。這里不同于直接擬合框架的地方在于，需要將直接擬合框架的訓(xùn)練輸入特征按照各自不同的分類分別進(jìn)行擬合。也就是說，將上述特征按照完整性(詞對其特征、段對齊特征)、準(zhǔn)確性特征(發(fā)音特征、聲調(diào)特征)和流利性特征(語速特征、段長特征、停頓特征、編輯特征)分類，計算完整分?jǐn)M合模型、準(zhǔn)確分
擬合模型和流利分?jǐn)M合模型各自的模型參數(shù)Pl。，…，13^， P2,。，…，|32, 和|33,。，…，
Pu，然后再訓(xùn)練從完整性特征、準(zhǔn)確性特征和流利性特征擬合機(jī)器分的參數(shù)P。， ！^， e2。
測試的時候，同樣先將特征分三類，按照h,。，…，h,n， P2,。，…，h,n和P3,。，…，P3,n計算完整性特征、準(zhǔn)確性特征和流利性特征，得到完整性打分、準(zhǔn)確性打分和流利性打分，
再利用分層擬合模型進(jìn)行分層擬合，得到機(jī)器分的參數(shù)P。， ！^， ！32，然后使用P。， ！^， e2計算出機(jī)器分。 對于訓(xùn)練集合中人工標(biāo)注數(shù)據(jù)分布不均勻的情況，需要采取分段擬合的策略使得
擬合模型能夠得到較好的效果，尤其是在缺乏特別好或特別差數(shù)據(jù)的情況下。這需要按照實際的分?jǐn)?shù)分布將分?jǐn)?shù)分段，使得各分?jǐn)?shù)段內(nèi)部的人工打分趨于平衡，從而減少數(shù)據(jù)失衡對擬合的影響。 分段方法如下設(shè)總體分布區(qū)間是[Sd，Sj，最終分?jǐn)?shù)段集合是Q，參數(shù)P用于控制分?jǐn)?shù)段內(nèi)部不均衡的程度 步驟A :設(shè)置Q為空集，S丄=Sd， S2 = S,l，取Va為S丄對應(yīng)打分個數(shù)；這里S丄和S2
分別做為備選分?jǐn)?shù)區(qū)間的開始和結(jié)束位置。
步驟B :取V2為S2對應(yīng)打分個數(shù)，如果<formula>formula see original document page 8</formula> 則S2 = S2+l，到步驟C ;否則Q = Q U [S" S2) ， S丄=S2+l，到步驟D ; 步驟C:如果S2大于Su，Q二Q U S2]，到步驟E ;否則對[S"S廠1]集合中所有
點對應(yīng)的打分個數(shù)取算術(shù)平均，更新Va，返回步驟B ; 步驟D :如果S丄< Su_l，則S2 = S,l，取Va為S丄對應(yīng)打分個數(shù)，返回步驟B ;否則Q = Q U [Sp SJ，到步驟E ; 步驟E，輸出最終分?jǐn)?shù)段集合是Q，算法完成，退出。 在得到分?jǐn)?shù)段集合后Q，對于Q中每一個集合建立一個擬合模型，同時，各類之間建立分?jǐn)?shù)段分類器。在測試時候，對于不同的數(shù)據(jù)，先用分?jǐn)?shù)段分類器判斷該測試樣本屬于哪一個分?jǐn)?shù)段，然后再用該分?jǐn)?shù)段的擬合模型擬合出該樣本的機(jī)器分。
三、診斷信息 圖4是本發(fā)明的英語口語診斷界面示例。圖中測試者(考生)的語音波形顯示在圖下方，圖中的參考語音是用于提示考生正確的讀法。測試者的各項診斷信息以評估報告的形式展示在圖的中部，在此不再贅述。 圖5是本發(fā)明的漢語口語診斷界面示例。圖中測試者的語音整體波形顯示在左上部。左下部是測試者的聲調(diào)與標(biāo)準(zhǔn)調(diào)型的對比信息。測試者朗讀文本右上部是錯誤點定位的報告說明，測試者朗讀文本右下部是漢語發(fā)音診斷信息的總體評價報告說明，以評估報告形式給出。圖中，整體波形是該考生朗讀的所有語音的波形顯示；而當(dāng)前波形是當(dāng)前在整體波形中高亮的那個詞的波形顯示；相應(yīng)的，聲調(diào)對比是該詞的實際聲調(diào)與標(biāo)準(zhǔn)調(diào)值的比對。 本發(fā)明在給出測試者口語評測結(jié)果的同時，診斷信息也會按照不同的特征分類給出 1)完整性診斷對于沒有朗讀和朗讀不完整的部分，在用戶界面上用特定的顏色標(biāo)識出來。 2)準(zhǔn)確性診斷漢語的每個字都會給出對應(yīng)的聲調(diào)診斷信息。請參閱圖4，本發(fā)明的漢語聲調(diào)診斷界面示例，左下部顯示出了的測試者調(diào)值和標(biāo)準(zhǔn)調(diào)值的對比。
此外，對于錯誤的音素和字，也會在用戶界面上高亮顯示。其中漢語和英語按照各
自不同的發(fā)音規(guī)范作為診斷標(biāo)準(zhǔn) a)對于元音，按照其舌位給出診斷 i.舌位的高低； ii.舌位的前后； iii.嘴唇的圓展。 b)對于輔音，按照其發(fā)音部位和發(fā)音方法給出診斷 i.發(fā)音部位雙唇、唇齒、齒間、舌尖前、舌尖中、舌尖后、舌葉、舌面、舌跟、小舌、喉。
ii.發(fā)音方式塞音、擦音、塞擦音、顫音、閃音、邊音、半元音。
3)流利性診斷按照特征分類顯示。語速診斷包括測試者的語速信息和與標(biāo)準(zhǔn)語速的對比；音節(jié)段長異常的音素、不合理的停頓和重復(fù)插入刪除都在界面上高亮顯示。
以上所述，僅為本發(fā)明中的具體實施方式
，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉該技術(shù)的人在本發(fā)明所揭露的技術(shù)范圍內(nèi)，可理解想到的變換或替換，都應(yīng)涵蓋在本發(fā)明的包含范圍之內(nèi)，因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求書的保護(hù)范圍為準(zhǔn)。
權(quán)利要求
一種用于口語測試的文本朗讀水平自動評估診斷方法，其特征是步驟1測試者朗讀預(yù)先設(shè)定的文本，提取測試者按照給定文本朗讀語音的特征，所述朗讀語音特征包括可客觀計算的完整性特征、準(zhǔn)確性特征和流利性特征；步驟2在歷史評估數(shù)據(jù)上提取并訓(xùn)練朗讀特征與人工評分的擬分模型；步驟3測試時依據(jù)其朗讀特征和擬分模型擬合出機(jī)器評分，并給出測試者朗讀特征的診斷信息。
2. 根據(jù)權(quán)利要求1所述用于口語測試的文本朗讀水平自動評估診斷方法，其特征是 所述完整性特征提取包括將測試者朗讀語音做自動識別的結(jié)果與標(biāo)準(zhǔn)文本分別做正向和 反向的動態(tài)匹配，取兩次匹配和匹配部分的邊界重復(fù)段的交集為匹配集合，然后根據(jù)各自 不同的匹配度計算詞對齊特征和段對齊特征，用于表征測試者朗讀內(nèi)容與標(biāo)準(zhǔn)答案的符合度。
3. 根據(jù)權(quán)利要求1所述用于口語測試的文本朗讀水平自動評估診斷方法，其特征是 所述準(zhǔn)確性特征提取包括發(fā)音特征和漢語的聲調(diào)特征，其中所述發(fā)音特征向量提取是取完整性特征中匹配集合，做音素級別的自動強(qiáng)制對齊，對 于對齊后的每個音素及其語音信號，計算給定音素的聲學(xué)模型情況下，語音信號的模型打 分P(Oll)作為發(fā)音打分；將M種不同的模型打分計算出的分?jǐn)?shù)合并為Pp = [Ppl，Pp2，PpM]， 并按照朗讀文本做加權(quán)；最終計算發(fā)音特征向量FP為<formula>formula see original document page 2</formula>其中kw是音素P的發(fā)音權(quán)重，Sa是完整性特征中匹配集合a， Mp是給定音素的聲學(xué)模 型，O是語音信號；所述聲調(diào)特征提取是取完整性特征中匹配集合，做音節(jié)級別的自動強(qiáng)制對齊，對于 對齊后的每個音節(jié)其語音信號，計算給定音節(jié)的聲調(diào)模型情況下，語音信號的后驗概率 P(0|Tw)作為聲調(diào)打分，并按照朗讀文本做加權(quán)，最終計算聲調(diào)的特征Ft為<formula>formula see original document page 2</formula>其中hw是音節(jié)W的聲調(diào)權(quán)重，Tw是聲調(diào)模型，Pw是聲調(diào)打分。
4. 根據(jù)權(quán)利要求1所述用于口語測試的文本朗讀水平自動評估診斷方法，其特征是 所述流利性特征提取包括測試者的語速評估特征、音節(jié)段長評估特征、停頓特征和編輯特征以及相應(yīng)的計算，各特征之間是并列關(guān)系，如下所述語速評估特征提取包括利用語速提取測試者單位時間內(nèi)說出的音素個數(shù)；利用調(diào)音 速率提取測試者去掉重復(fù)的現(xiàn)象的平均音素時長；音節(jié)段長評估特征提取是利用各音素的段長模型對朗讀語音打分，最后將該打分按音 素做算術(shù)平局；停頓特征提取是利用靜音檢測出的停頓點，在停頓模型上對測試者的停頓次數(shù)和分布 進(jìn)行打分；編輯特征提取是利用語言編輯模型檢測朗讀語音中的重復(fù)、插入和刪除現(xiàn)象的個數(shù)， 然后對朗讀文本長度歸一化。
5. 根據(jù)權(quán)利要求1所述用于口語測試的文本朗讀水平自動評估診斷方法，其特征是所述訓(xùn)練朗讀特征與人工評分的擬分模型是利用訓(xùn)練集合中的人工標(biāo)注數(shù)據(jù)，采用回歸 法，將多個朗讀特征擬合為機(jī)器分；對于在人工打分方面分布失衡的訓(xùn)練數(shù)據(jù)，需要采取分 段擬合的策略，按照分?jǐn)?shù)分布將分?jǐn)?shù)分段，使得各分?jǐn)?shù)段內(nèi)部的人工打分趨于平衡，用于減 少數(shù)據(jù)失衡對擬合的影響。
6. 根據(jù)權(quán)利要求1所述計算機(jī)評估測試者口語朗讀語言能力的方法，其特征是所述 診斷信息還包括在需要評分、不需要診斷信息的評估場合選用直接擬合框架，直接用各項朗讀特征通 過擬合模型得出機(jī)器分；在需要評分、又要診斷信息場合，選用分層擬合框架，先擬合基本特征分?jǐn)?shù)和完整分、 準(zhǔn)確分和流利分和相應(yīng)的診斷信息，然后在此基礎(chǔ)上再擬合出機(jī)器分。
7. 根據(jù)權(quán)利要求1所述用于口語測試的文本朗讀水平自動評估診斷方法，其特征是 所述診斷信息是按照各自不同的分類，給出詳細(xì)的測試者診斷信息為完整性診斷是將計算詞對齊特征和段對齊特征過程中沒有匹配上的字或詞在用戶界 面上用顏色標(biāo)識出完整性診斷；準(zhǔn)確性診斷是對漢語或英語的每個音素給出其發(fā)音準(zhǔn)確性診斷信息包括錯誤發(fā)音 和發(fā)音方式診斷，具體方式是將所有后驗概率低于預(yù)定門限的發(fā)音標(biāo)記為錯誤發(fā)音，并且 按照其發(fā)音方式分類結(jié)果，給出對應(yīng)的診斷信息；其中對于元音，按照其舌位給出診斷信 息；對于輔音，按照其發(fā)音部位和發(fā)音方法給出診斷信息；對漢語的聲調(diào)診斷信息凡識別 出的聲調(diào)與漢字的候選發(fā)音不同，則標(biāo)記為錯誤聲調(diào)，同時按照識別出的聲調(diào)給出診斷信 息；流利性診斷是按照特征分類顯示，為語速診斷包括測試者的語速信息和與標(biāo)準(zhǔn)語速 的對比、音節(jié)段長異常的音素、不合理的停頓和重復(fù)插入刪除都在界面上高亮顯示。
全文摘要
本發(fā)明涉及一種用于口語測試的文本朗讀水平自動評估診斷方法，該方法提取測試者按照給定文本進(jìn)行朗讀語音的各項特征；訓(xùn)練朗讀特征與人工評分的擬分模型；測試時依據(jù)其朗讀特征和擬分模型擬合出機(jī)器評分，并給出相關(guān)的診斷信息。它要求測試者朗讀預(yù)先設(shè)定的文本，然后利用收集到的語音對測試者的口語能力做出自動評估。其特點是利用計算機(jī)提取測試者朗讀語音的各項特征，在擬分模型上擬和得出機(jī)器評分，從而達(dá)到評估測試者口語語言能力的目的。
文檔編號G09B7/00GK101739868SQ20081022667
公開日2010年6月16日 申請日期2008年11月19日 優(yōu)先權(quán)日2008年11月19日
發(fā)明者徐波, 徐爽, 柯登峰, 江杰, 浦劍濤, 陳振標(biāo) 申請人:中國科學(xué)院自動化研究所