一種基於支持向量機的語音情感識別方法
2023-12-05 04:27:11 1
專利名稱：一種基於支持向量機的語音情感識別方法
技術領域：
本發明涉及一種語音識別方法，特別涉及一種語音情感識別系統及方法。
背景技術：
語音情感自動識別技術主要包括兩個問題一是採用語音信號中的何種特徵作為情感識別，也就是情感特徵提取的問題，一是如何將特定的語音數據進行分類，也就是模式識別的問題。
在本發明之前，目前主要使用的情感特徵是韻律特徵及其衍生參數，如持續時間、語速、振幅、基音頻率、共振峰等。其中，基音頻率和共振峰頻率是重要的情感參數，但是由於人和人之間存在的個體差異性(聲道的易變性、聲道特徵、單詞發音音調等)目前存在的方法都難以實現基音和共振峰的精確檢測，單純的使用全局基音均值、共振峰均值等常見的衍生參數難以實現較高的情感識別率。並且這些參數主要體現的是人體的聲門和聲道的特徵，因此和人的生理構造有著密切的關係，在不同的個體上顯現出較強的相異性。這種差異在不同的性別上尤其明顯。在過去的文獻中，這些在不考慮情感因素情況下的聲學參數性別差異已得到充分的研究，然而針對不同性別下的特徵參數在情感狀態下的影響，則較少有文獻給予專門研究。在已有的各種識別方法中，具體而言，矢量分割型馬氏距離判法、主元分析法過於簡單，不足於取得好的識別率；神經網絡法雖然具有高度的非線性和極強的分類能力，但是隨著網絡的增大所需學習時間增加很快，另外局部極小問題也是一個不足之處；隱馬爾可夫法(HMM)在建立和訓練時間上較長，應用於實際還需要解決計算複雜度過高的問題。另外，雖然上述方法在實驗環境下有一定的識別率，但主要是根據已有的語音庫樣本使訓練集的性能最優，而實際中環境往往訓練集有較大的差異。
發明內容
本發明的目的就在於上述現有技術的缺陷，設計、研究一種基於支持向量機的全局與時序結構特徵相結合的語音情感識別方法。
本發明的技術方案是一種基於支持向量機的語音情感識別方法，其主要技術步驟為建立特徵提取分析模塊、SVM訓練模塊、SVM識別模塊；特徵提取分析模塊包括全局結構特徵參數提取、時序結構特徵參數提取；首先對原始語音信號預加重、分幀，然後分別進行全局結構特徵提取、時序結構特徵提取；(1)全局結構特徵參數提取(1-1)將原始語音信號經高通濾波器預處理，提取發音持續時間、語速參數；(1-2)分幀，加窗；(1-3)應用短時分析技術，分別提取各幀語句主要特徵參數基音頻率軌跡、振幅、共振峰頻率軌跡；(1-4)提取上述特徵參數的衍生參數平均基音頻率，最高基音頻率、基音頻率平均變化率、平均振幅曲線、振幅動態範圍、最高第一共振峰頻率曲線、第一共振峰平均變化率、最高第二共振峰頻率；(2)時序結構特徵參數提取(2-1)將原始語音信號分幀後，經由24個等帶寬的濾波器組成的美爾標度頻率濾波器組濾波，每幀信號以一個能量係數向量表示；(2-2)計算頻帶能量累積量，用當前幀的美爾標度濾波器組的平均能量與各個美爾標度濾波器的能量做差值，求得所有差值的絕對值的加權和，得到頻帶能量累積量；Sbec(t)=i=124i|Ei(t)-E(t)|]]>(式1)t表示當前幀，Ei(t)為第i個美標度濾波器的能量， E(t)為美爾標度濾波器組的平均能量，αi為第i個濾波器的權重係數；(2-3)根據頻帶能量累積量峰值來判定元音位置或元音區間，並用簡化能量累積量的分布來確定元音的位置，Rec=i=124i|Ei(t)-E(t)|=RecLF+RecHF]]>(式2)t表示當前幀，Ei(t)為第i個美標度濾波器的能量， E(t)為美標度濾波器組的平均能量，αi為第i個濾波器的權重係數，RecLF為低頻部分(300～1000Hz)對應的Rec值、RecHF為高頻部分(1000～3200Hz)對應的Rec值，根據Rec值的分布，利用峰值確定元音的位置，Rec值作為判別元音的標準必須滿足兩個條件當前語音段必須長於15ms，低頻和高頻的能量分布必須均衡，即滿足下式RecLFRecHF0.5]]>(式3)Δt≥15msΔt為當前幀的長度；
(2-4)採用短時分析方法，按照性別分別計算情感語句各元音區間的基音軌跡、3個共振峰軌跡、振幅能量軌跡；(2-5)計算情感語句各元音區間的最高基音頻率、該基音頻率所對應幀的振幅能量、各元音區間的最高振幅能量、該振幅所對應幀的基音頻率、各元音區間的持續時間以及前3個共振峰頻率；(2-6)採用均值補齊方法規整元音，即選取情感語句中元音個數最多的句子為基準，對於元音個數少的語句在尾部用全句平均值代替、補齊參數向量；將提取的全局結構特徵參數、時序結構特徵參數規整到相同的空間，得到支持向量機的輸入矢量；(3)支持向量機的訓練單個支持向量機是一個二分模式的分類器，對SVM的訓練是在訓練樣本中尋找支持向量xi(＝1，2，…，n)、支持向量權值係數ai和偏移係數b；SVM的訓練步驟(3-1)從情感語句庫中選取高興、生氣、悲傷、恐懼、驚訝五種情感語句作為訓練樣本；(3-2)選擇其中一種情感作為識別目標，對於第i條情感語句，抽取其特徵參數構成一個特徵參數向量，採用符號函數作為判決函數，如果這條語句屬於該類情感，則令SVM輸出參數yi＝1，否則yi＝-1；(3-3)利用訓練樣本的特徵參數向量和SVM輸出參數作為訓練集，核函數是高斯(徑向基)函數，採用已有的分解算法對該情感的支持向量機進行訓練，得到該訓練集的支持向量xi(i＝1，2，…，n)、支持向量權值係數ai和偏移係數b；(3-4)高興、生氣、悲傷、恐懼、驚訝五種情感分別訓練五個支持向量機；(4)情感識別(4-1)單個情感識別提取待識別語句的特徵矢量輸入到步驟(3)已訓練好的支持向量機中，經輸出判別函數(符號函數)對該語句進行判別，如果yj＝1則該語句屬於該類情感，則該語句為該類情感，否則不屬於該類情感；(4-2)多情感識別採用One-Against-All支持向量機對高興、生氣、悲傷、恐懼、驚訝五種情感進行識別，與步驟(3)中建立的五個支持向量機對應，對每一個支持向量機，採用具有連續輸出的函數作為軟判決函數，將具有最大輸出值的類別作為最終的輸出；yjk=1xsvikyik(K(xik,x))+b>1xsvjkyik(K(xik,x))+b-1xsvikyik(K(xik,x))+b1-1xsvikyik(K(xik,x))+b-1]]>(式4)j為測試語句的標號，k為不同的情感，K(xik，x)為待識別語句x與第k種情感的第i個支持向量xik的核函數。在計算出每個樣本相對於不同情感的判別結果後，識別情感為使(式4)取得最大值的k值。
本發明的優點和效果在於1.通過對情感語句的特徵參數提取與分析，將參數從全局結構特徵擴充至時序結構，增加了特徵參數的有效性；2.充分考慮了男女性別不同對特徵參數的影響，在參數提取上加入性別規整；進一步提高參數有效性；3.利用支持向量機(SVM)對未知集合的識別錯誤率最小這一特點，提供一個實用的、性能優良的高識別率語音情感識別系統，即利用最少的支持向量，在錯分樣本和算法複雜度之間尋找折衷，獲得最好的語音識別；4.從單個SVM的二分模式情感識別擴充至多個SVM結合的多模式多情感識別；5.在多模式多情感識別上，SVM的判決函數採用具有連續輸出的函數，進一步降低了誤識率。
本發明的其他優點和效果將在下面繼續描述。
圖1——語音情感識別系統框圖。
圖2——特徵提取分析模塊流程圖。
圖3——利用簡化能量累計量(Rec)進行元音分割圖(A)、(B)、(C)。
圖4——5個支持向量機子網絡訓練圖。
圖5——支持向量機子網絡原理示意圖。
圖6——支持向量機情感識別圖。
圖7——使用SVM的情感識別結果(％)圖。
圖8——使用PCA的情感識別結果(％)圖。
圖9——採用最大可分性分析PCA的情感識別結果(％)圖。
具體實施例方式
下面結合附圖和實施例，對本發明所述的技術方案作進一步的闡述。
如圖1所示，是語音情感識別系統框圖，主要分為3大塊特徵提取分析模塊、SVM訓練模塊和SVM識別模塊。整個系統執行過程可分為訓練過程和識別過程。訓練過程包括特徵提取分析、SVM訓練；識別過程包括特徵提取分析、SVM識別。
一.特徵提取分析模塊1.全局結構特徵參數選擇及性別規整全局結構特徵參數包括語句發音持續時間、語速、平均基音頻率、最高基音頻率、基音頻率的平均變化率、平均振幅、振幅的動態範圍、最高第一共振峰頻率、第一共振峰平均變化率、最高第二共振峰頻率。
首先，根據圖2中的全局結構特徵參數提取流程將待提取特徵語句進行預加重處理，具體實施包括高通濾波、語句開始端點與結束端點的檢測；然後提取全句的語句發音持續時間、語速這兩個特徵；然後對語句分幀加窗，採用短時分析技術，按照男女性別，分別求出各幀基音、第一共振峰、第二共振峰、振幅，然後將各幀所得參數匯總，分別得到語句的基音軌跡、共振峰軌跡、振幅軌跡語速、語句發音持續時間；在以往的試驗中發現，基音和共振峰及其衍生參數主要體現的是人體的聲門和聲道的特徵，和人的生理構造有著密切的關係，在不同的個體上顯現出較強的相異性，這種差異在不同的性別上尤其明顯。為了更好的消除性別差異對特徵參數造成的影響，需要對基音和共振峰參數進行性別規整，將特徵參數按照男女性別劃分為不同的性別集合，以基音為例，將各個情感語句的基音軌跡按照性別分為女性集合與男性集合，然後分別計算各個集合的均值(μi)、方差(σi)，然後利用(式5)將參數規整到相同的空間s=s-uii]]>(式5)最後提取衍生參數即平均基音頻率，最高基音頻率、基音頻率平均變化率、平均振幅曲線、振幅動態範圍、最高第一共振峰頻率曲線、第一共振峰平均變化率、最高第二共振峰頻率；得到上述全部全局特徵參數。
2.時序結構特徵參數選擇、性別規整及元音數目規整情感語句時序結構特徵的選取是本文方法的特點之一。雖然無聲部分和清音本身對情感識別是有貢獻的，但是通過分析觀察發現情感特徵的變化主要反映在有聲部分尤其是元音部分的特徵變化上，因此需要從從語句中分割出各元音區間。
分幀加窗後根據美(Mel)標度頻率濾波器進行濾波。這組濾波器在頻率的美(Mel)坐標上是等帶寬的。採用24個濾波器的濾波器組，這樣每幀信號可以用一個能量係數向量表示。採用一個簡單的距離測量標準來計算頻帶能量累積量(Sbec)，計算如式(1)所示。
Sbec(t)=i=124i|Ei(t)-E(t)|]]>式(1)t表示當前幀，Ei(t)為第i個美標度濾波器的能量， E(t)為美標度濾波器組的平均能量，αi為第i個濾波器的權重係數。
通常由於存在共振峰以及間隙，元音具有較高的Sbec值。從一段語音的Sbec值分布，就可以根據峰值來判定元音的位置。用Sbec檢測元音時，存在著一個主要缺點，就是在清音幀出現Sbec峰值時，也判為元音。因此在判別標準不再採用Sbec，而是採用簡化能量累積量(Rec)，計算如式(2)所示Rec=i=124i|Ei(t)-E(t)|=RecLF+RecHF]]>(式2)t表示當前幀，Ei(t)為第i個美標度濾波器的能量， E(t)為美標度濾波器組的平均能量，αi為第i個濾波器的權重係數，RecLF為低頻部分(300～1000Hz)對應的Rec值、RecHF為高頻部分(1000～3200Hz)對應的Rec值，根據Rec值的分布，利用峰值確定元音的位置。這裡每個Rec值作為判別元音的標準必須滿足當前語音段必須長於15ms；低頻和高頻的能量分布必須均衡。即就是式(3)所要求滿足的條件。
RecLFRecHF0.5]]>(式3)Δt≥15ms圖3即為利用上述方法得到的元音區間分割，(A)為語音信號波形，(B)為Rec曲線，(C)為元音分割。
確定元音區間後，根據短時分析技術分別計算情感語句元音區間的基音軌跡、振幅軌跡、共振峰頻率軌跡，然後進行性別規整，方法類同於全局結構特徵參數的性別規整。然後提取最高基音頻率、該基頻所對應幀的振幅能量、各元音區間的最高振幅能量、該振幅所對應幀的基音頻率、各元音區間的持續時間以及前3個共振峰頻率的平均值、前3個共振峰頻率的變化率共11種特徵參數。最後，考慮到不同語句的元音個數不可能相同，在訓練階段必須對元音數目不同的語句進行規整。選取訓練用情感語料中元音個數最多的句子作為基準，對於元音個數較少的語句的參數向量在尾部用全句的平均值代替補齊。最終得到時序結構特徵參數。
在系統的執行過程中，特徵提取分析是必不可少的。在訓練過程中，訓練樣本的特徵提取分析可以直接按照圖2所示流程進行。在識別過程中，待識別語句的特徵提取分析同樣按照圖2流程進行，需要注意的是其中的性別規整和元音數目規整採用訓練過程中產生的參數。性別規整如語句是女聲，則按照前面訓練過程中性別規整時的女聲的均值(μi)、方差(σi)，利用(式5)將參數規整到相同的空間，男聲同理。元音數目規整採用訓練過程中元音規整的個數進行規整。
二.支持向量機(SVM)模塊1.支持向量機(SVM)的訓練單個的SVM本質上是一個二分模式的分類器，判決函數為y=f(x)=sign(i=1niyiK(xi,x)+b)]]>=sign(xiSVniyiK(xi,x)+b)]]>(式6)支持向量機子網絡原理示意圖如圖5所示，其中K(xi，x)(i＝1，2，…，N)為核函數，x為待分類樣本，訓練樣本集為(xi，yi)(i＝1，2，…，n)。xi為訓練樣本，yi是xi的類標記。SV是支持向量集，是訓練樣本集的一個子集，n為訓練樣本個數，N為支持向量個數。SVM的訓練就是尋找支持向量集xi(i＝1，2，…，N)、支持向量權值係數ai和偏移係數b。b的具體計算可由(式7)求得 (式7)訓練前，從情感語音庫中選取高興、生氣、悲傷、驚訝、恐懼五種情感語句，經過特徵提取分析模塊，得到各自特徵參數向量作為SVM訓練樣本。訓練時，首先選擇其中一種情感作為識別目標，對於第i條情感語句，採用符號函數作為判決函數，如果這條語句屬於該類情感，則yi為1，否則為-1。利用訓練樣本的特徵參數向量和類標號作為訓練樣本集，選用符合Mercer條件的高斯函數為核函數，採用分解算法對該情感的支持向量機進行訓練，其思想是通過循環迭代解決對偶尋優問題將原問題分解成更易於處理的若干子問題，即設法減小尋優算法要解決問題的規模，按照某種迭代策略，通過反覆求解子問題，最終使結果收斂到原問題的最優解。這是目前SVM訓練算法一般採用的途徑，當支持向量數目遠小於訓練樣本數目時，算法效率較高。最後得到該訓練集關於某種情感的的支持向量集xi(i＝1，2，…，N)、支持向量權值係數ai和偏移係數b。5種情感分別訓練5個SVM，圖4是訓練5個SVM分別對應5種情感。
2.情感識別情感識別可大致分為兩種某條語句是否是某種情感(二分模式識別)；某條語句是哪一種情感(多模式識別)。對前者的識別可以用一個SVM實現，採用符號函數作為判決函數，對後者則需要多個SVM結合實現。從識別的精度出發，本發明採用的是「One-Against-All」的SVM網絡，並採用具有連續輸出的軟判決函數，從識別的精度角度看該法更具優勢。
當識別問題是判斷某條語句是否是某種情感時，如判斷語句「今天是晴天」是否為「高興」，首先將語句經過特徵提取分析模塊得到特徵參數向量x，選擇SVM1進行識別，求得y1=xiSVniyiK(xi,x)+b,]]>根據(式6)求SVM1的輸出y，y為1則該語句情感為「高興」，y為-1則該語句情感不是「高興」。
當識別問題是多模式識別問題，需要利用前面已經構造好的5個支持向量機(SVM)。如判斷語句「今天是晴天」是哪一種情感，首先將語句經過特徵提取分析模塊得到特徵參數向量x，然後將x分別輸入5個SVM中去，計算xiSVNikyikK(xik,x)+b,]]>並按照式(4)做如下處理yjk=1xsvikyik(K(xik,x))+b>1xsvjkyik(K(xik,x))+b-1xsvikyik(K(xik,x)+b-1xsvikyik(K(xik,x))+b-1]]>(式4)最後選擇具有最大輸出值的類別所對應的情感作為判別結果，如圖6所示。
多模式識別不同於二分模式識別的最大特點採用了(式4)所示的具有連續輸出的函數作為判別函數，而二分模式採用的是(式6)所示的符號函數。這是因為語音情感的劃分本身就是一個模糊的分類，真正的語音情感識別往往是依靠判別語音中不同情感成分的強弱來決定。一般認為某種情感成分在語音中較突出時，即認為該語音信號屬於此類情感。而符號函數是不能完全體現情感的這種模糊性的。因此(式4)所示函數從識別精度上看更具優勢。
三.識別系統的評價如圖7、8、9所示，是本發明實施數據提供的結合全局結構特徵與時序結構特徵的並考慮到性別差異的SVM方法同傳統PCA方法以及進行最大可分性變換的PCA方法進行對比的結果。該結果說明，使用此種方法對語音情感進行識別效率大大高於現有技術的識別方法。結合前面二分模式的情感識別結果，可以知道在不同情感之間的分類界並不是一個線性超平面，而SVM可以利用核空間影射將低維空間的非線性分類問題轉化為高維特徵空間的線性分類問題，而使非線性問題得到解決。
本發明請求保護的範圍並不僅僅局限於本具體實施方式
的描述。
權利要求
1.一種基於支持向量機的語音情感識別方法，其步驟為建立特徵提取分析模塊、SVM訓練模塊、SVM識別模塊；特徵提取分析模塊包括全局結構特徵參數提取、時序結構特徵參數提取；首先對原始語音信號預加重、分幀，然後分別進行全局結構特徵提取、時序結構特徵提取；(1)全局結構特徵參數提取(1-1)將原始語音信號經高通濾波器預處理，提取發音持續時間、語速參數；(1-2)分幀，加窗；(1-3)應用短時分析技術，分別提取各幀語句主要特徵參數基音頻率軌跡、振幅、共振峰頻率軌跡；(1-4)提取上述特徵參數的衍生參數平均基音頻率，最高基音頻率、基音頻率平均變化率、平均振幅曲線、振幅動態範圍、最高第一共振峰頻率曲線、第一共振峰平均變化率、最高第二共振峰頻率；(2)時序結構特徵參數提取(2-1)將原始語音信號分幀後，經由24個等帶寬的濾波器組成的美爾標度頻率濾波器組濾波，每幀信號以一個能量係數向量表示；(2-2)計算頻帶能量累積量，用當前幀的美爾標度濾波器組的平均能量與各個美爾標度濾波器的能量做差值，求得所有差值的絕對值的加權和，得到頻帶能量累積量；Sbec(t)=i=124i|Ei(t)-E(t)|]]>(式1)t表示當前幀，Ei(t)為第i個美標度濾波器的能量， E(t)為美爾標度濾波器組的平均能量，αi為第i個濾波器的權重係數；(2-3)根據頻帶能量累積量峰值來判定元音位置或元音區間，並用簡化能量累積量的分布來確定元音的位置，Rec=i=124i|Ei(t)-E(t)|=RecLF+RecHF]]>(式2)t表示當前幀，Ei(t)為第i個美標度濾波器的能量， E(t)為美標度濾波器組的平均能量，αi為第i個濾波器的權重係數，RecLF為低頻部分(300～1000Hz)對應的Rec值、RecHF為高頻部分(1000～3200Hz)對應的Rec值，根據Rec值的分布，利用峰值確定元音的位置，Rec值作為判別元音的標準必須滿足兩個條件當前語音段必須長於15ms，低頻和高頻的能量分布必須均衡，即滿足下式RecLFRecHF0.5]]>Δt≥15ms (式3)Δt為當前幀的長度；(2-4)採用短時分析方法，按照性別分別計算情感語句各元音區間的基音軌跡、3個共振峰軌跡、振幅能量軌跡；(2-5)計算情感語句各元音區間的最高基音頻率、該基音頻率所對應幀的振幅能量、各元音區間的最高振幅能量、該振幅所對應幀的基音頻率、各元音區間的持續時間以及前3個共振峰頻率；(2-6)採用均值補齊方法規整元音，即選取情感語句中元音個數最多的句子為基準，對於元音個數少的語句在尾部用全句平均值代替、補齊參數向量；將提取的全局結構特徵參數、時序結構特徵參數規整到相同的空間，得到支持向量機的輸入矢量；(3)支持向量機的訓練單個支持向量機是一個二分模式的分類器，對SVM的訓練是在訓練樣本中尋找支持向量xi(i＝1，2，…，n)、支持向量權值係數ai和偏移係數b；SVM的訓練步驟(3-1)從情感語句庫中選取高興、生氣、悲傷、恐懼、驚訝五種情感語句作為訓練樣本；(3-2)選擇其中一種情感作為識別目標，對於第i條情感語句，抽取其特徵參數構成一個特徵參數向量，採用符號函數作為判決函數，如果這條語句屬於該類情感，則令SVM輸出參數yi＝1，否則yi＝-1；(3-3)利用訓練樣本的特徵參數向量和SVM輸出參數作為訓練集，核函數是高斯(徑向基)函數，採用已有的分解算法對該情感的支持向量機進行訓練，得到該訓練集的支持向量xi(i＝1，2，…，N)、支持向量權值係數ai和偏移係數b；(3-4)高興、生氣、悲傷、恐懼、驚訝五種情感分別訓練五個支持向量機；(4)情感識別(4-1)單個情感識別提取待識別語句的特徵矢量輸入到步驟(3)已訓練好的支持向量機中，經輸出判別函數(符號函數)對該語句進行判別，如果yj＝1則該語句屬於該類情感，則該語句為該類情感，否則不屬於該類情感；(4-2)多情感識別採用One-Against-All支持向量機對高興、生氣、悲傷、恐懼、驚訝五種情感進行識別，與步驟(3)中建立的五個支持向量機對應，對每一個支持向量機，採用具有連續輸出的函數作為軟判決函數，將具有最大輸出值的類別作為最終的輸出，yik=1xsvikyik(K(xik,x))+b>1xsvikyik(K(xik,x))+b-1xsvikyik(K(xik,x))+b1-1xsvikyik(K(xik,x))+b-1]]>(式4)j為測試語句的標號，k為不同的情感，K(xik，x)為待識別語句x與第k種情感的第i個支持向量xik的核函數，在計算出每個樣本相對於不同情感的判別結果後，識別情感為使(式4)取得最大值的k值。
2.根據權利要求1所述的一種基於支持向量機的語音情感識別方法，其特徵在於可以在步驟(1-4)、(2-5)之前加入特徵參數關於性別的規整，即按男、女性別，將得到的每個信號樣本的特徵參數劃分為不同的性別集合，分別計算各個集合的均值(μi)、方差(σi)，利用(式5)將參數規整到相同的空間。s=s-uii]]>(式5)
全文摘要
本發明涉及一種語音情感識別系統及方法。本發明採取特徵提取分析模塊、SVM訓練模塊和SVM識別模塊；訓練過程包括特徵提取分析、SVM訓練；識別過程包括特徵提取分析、SVM識別。特徵提取分析有全局結構特徵參數選擇及性別規整、時序結構特徵參數選擇、性別規整及元音數目規整；支持向量機(SVM)有支持向量機訓練、對高興、生氣、悲傷、恐懼、驚訝五種情感進行識別。解決了矢量分割型馬氏距離判法、主元分析法、神經網絡法、隱馬爾可夫法等的各自缺陷。本發明加強了特徵參數的有效性，加入性別規整，用最少支持向量，在錯分樣本和算法複雜度之間獲得最好的語音識別，在單個SVM及多個SVM結合的多模式具有連續輸出函數，降低誤識率。
文檔編號G10L15/28GK1975856SQ20061009730
公開日2007年6月6日 申請日期2006年10月30日 優先權日2006年10月30日
發明者趙力, 王治平, 趙豔, 鄭文明 申請人:鄒採榮