本發(fā)明涉及音頻處理，尤其是分?jǐn)?shù)階語(yǔ)譜圖深度學(xué)習(xí)的聲樂(lè)發(fā)聲練習(xí)質(zhì)量等級(jí)評(píng)定方法。

背景技術(shù)：

1、聲樂(lè)發(fā)聲練習(xí)是歌手演唱技巧和聲音表現(xiàn)的基礎(chǔ)，它在音樂(lè)界和娛樂(lè)界具有重要的背景和意義。首先，聲樂(lè)發(fā)聲質(zhì)量評(píng)定是音樂(lè)產(chǎn)業(yè)中選拔和培養(yǎng)優(yōu)秀歌手的重要手段之一，通過(guò)評(píng)定可以篩選出具有出色音樂(lè)才華和藝術(shù)表現(xiàn)力的歌手，為音樂(lè)市場(chǎng)注入更多優(yōu)質(zhì)的音樂(lè)作品和表演。其次，評(píng)定聲樂(lè)發(fā)聲練習(xí)質(zhì)量有助于提高歌手的專(zhuān)業(yè)水平，評(píng)定過(guò)程中專(zhuān)業(yè)評(píng)委會(huì)針對(duì)歌手的發(fā)聲技巧、音準(zhǔn)、音色、呼吸控制等方面給出評(píng)價(jià)和建議，幫助歌手發(fā)現(xiàn)自身的不足并提供改進(jìn)的方向，有助于歌手不斷提高自己的演唱能力，塑造獨(dú)特的音樂(lè)風(fēng)格。

2、目前，評(píng)定聲樂(lè)發(fā)聲練習(xí)質(zhì)量的方法有很多種，傳統(tǒng)的方法是通過(guò)主觀評(píng)價(jià)，通常由專(zhuān)業(yè)音樂(lè)人、聲樂(lè)老師或經(jīng)驗(yàn)豐富的聽(tīng)眾進(jìn)行評(píng)價(jià)，他們通過(guò)聽(tīng)歌手的發(fā)聲技巧、音準(zhǔn)、音色、表情和情感等方面來(lái)評(píng)定歌唱發(fā)聲質(zhì)量。其次是采用客觀評(píng)價(jià)方法，也是傳統(tǒng)的額語(yǔ)音評(píng)價(jià)方法，通常使用一些科學(xué)的工具和技術(shù)來(lái)量化聲樂(lè)發(fā)聲練習(xí)的質(zhì)量，通過(guò)提取語(yǔ)音的特征，如短時(shí)能量，短時(shí)過(guò)零率，語(yǔ)譜圖，mfcc等特征進(jìn)行發(fā)聲質(zhì)量評(píng)定。隨著人工智能的發(fā)展，深度學(xué)習(xí)方法被引入到對(duì)語(yǔ)音信號(hào)的處理中來(lái)，常見(jiàn)的有卷積神經(jīng)網(wǎng)絡(luò)(cnn)，循環(huán)神經(jīng)網(wǎng)絡(luò)(rnn)，長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(lstm)，循環(huán)門(mén)控單元(gru)等，這些方法在語(yǔ)音信號(hào)處理中具有自動(dòng)特征提取、建模能力強(qiáng)、對(duì)不同時(shí)間尺度適應(yīng)性高等優(yōu)勢(shì)，為語(yǔ)音識(shí)別、語(yǔ)音合成、語(yǔ)音情感分析等任務(wù)帶來(lái)了顯著的性能提升。然而，這些歌唱發(fā)聲質(zhì)量評(píng)定方法都存在一定的局限性：

3、(1)主觀評(píng)價(jià)方法在評(píng)定歌唱發(fā)聲質(zhì)量的過(guò)程是一個(gè)主觀性很強(qiáng)的任務(wù)，每個(gè)人對(duì)于聲音的感受和偏好可能不同；

4、(2)而傳統(tǒng)語(yǔ)音特征提取識(shí)別方法的特征提取算法通常是基于人工設(shè)計(jì)的，需要依賴(lài)專(zhuān)家知識(shí)和經(jīng)驗(yàn)，可能無(wú)法充分捕捉到語(yǔ)音信號(hào)中的復(fù)雜特征；

5、(3)除此之外，傳統(tǒng)方法中的特征提取和分類(lèi)算法往往無(wú)法有效地建模語(yǔ)音信號(hào)中的長(zhǎng)期依賴(lài)關(guān)系，使得在進(jìn)行語(yǔ)音識(shí)別任務(wù)時(shí)，性能受到限制；

6、(4)而且，傳統(tǒng)方法通常是基于固定時(shí)間窗口的特征提取，對(duì)不同時(shí)間尺度的語(yǔ)音信號(hào)可能沒(méi)有很好的適應(yīng)性，導(dǎo)致在處理長(zhǎng)時(shí)語(yǔ)音信號(hào)或短時(shí)語(yǔ)音信號(hào)時(shí)，丟失了一些關(guān)鍵信息。

7、(5)傳統(tǒng)方法容易受到環(huán)境噪聲和說(shuō)話(huà)人變化的影響，導(dǎo)致識(shí)別性能下降；

8、(6)深度學(xué)習(xí)方法雖然解決了傳統(tǒng)方法的弊病，但是通常需要大量的手工標(biāo)注數(shù)據(jù)進(jìn)行模型訓(xùn)練和特征優(yōu)化。這限制了傳統(tǒng)方法在數(shù)據(jù)稀缺情況下的應(yīng)用，并且增加了建立高性能系統(tǒng)的時(shí)間和成本。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提出分?jǐn)?shù)階語(yǔ)譜圖深度學(xué)習(xí)的聲樂(lè)發(fā)聲練習(xí)質(zhì)量等級(jí)評(píng)定方法，能夠更好地適應(yīng)非平穩(wěn)信號(hào)的特性，提供更準(zhǔn)確的頻譜分析。

2、本發(fā)明采用以下技術(shù)方案。

3、分?jǐn)?shù)階語(yǔ)譜圖深度學(xué)習(xí)的聲樂(lè)發(fā)聲練習(xí)質(zhì)量等級(jí)評(píng)定方法，包括以下步驟；

4、步驟s1、采集歌唱者聲樂(lè)母音發(fā)聲練習(xí)的音頻信號(hào)，并根據(jù)發(fā)聲指標(biāo)標(biāo)注相應(yīng)的質(zhì)量等級(jí)，構(gòu)建樣本數(shù)據(jù)集，用于聲樂(lè)發(fā)聲練習(xí)質(zhì)量評(píng)定網(wǎng)絡(luò)模型的訓(xùn)練、測(cè)試和驗(yàn)證；

5、步驟s2、聲樂(lè)發(fā)聲練習(xí)質(zhì)量評(píng)定網(wǎng)絡(luò)模型基于短時(shí)分?jǐn)?shù)階傅里葉變換將音頻信號(hào)轉(zhuǎn)換為一系列的分?jǐn)?shù)階語(yǔ)譜圖；

6、步驟s3、構(gòu)建聲樂(lè)發(fā)聲練習(xí)質(zhì)量評(píng)定網(wǎng)絡(luò)模型中的基于densenet和通道注意力機(jī)制的分?jǐn)?shù)階語(yǔ)譜圖深度特征提取網(wǎng)絡(luò)，將提取的分?jǐn)?shù)階語(yǔ)譜圖深度特征輸入到bilstm網(wǎng)絡(luò)，抽取發(fā)聲練習(xí)信號(hào)的時(shí)間序列特征；

7、步驟s4、采用量子煙花算法優(yōu)化聲樂(lè)發(fā)聲練習(xí)質(zhì)量評(píng)定網(wǎng)絡(luò)模型的核極限學(xué)習(xí)機(jī)的超參數(shù)，將抽取的時(shí)間序列特征映射到高維空間進(jìn)行質(zhì)量等級(jí)決策，形成評(píng)定結(jié)果；

8、步驟s5、采用訓(xùn)練集和驗(yàn)證集對(duì)聲樂(lè)發(fā)聲練習(xí)質(zhì)量評(píng)定網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，通過(guò)測(cè)試集對(duì)模型進(jìn)行測(cè)試及結(jié)果分析，最終得出發(fā)聲質(zhì)量評(píng)定結(jié)果。

9、步驟s1中，選取不同年齡段、不同性別的歌唱者作為采集對(duì)象，人數(shù)不少于300人；為了確保模型魯棒性，使用同一臺(tái)動(dòng)圈式麥克風(fēng)在早中晚三個(gè)時(shí)間段對(duì)不同采集對(duì)象分別進(jìn)行母音發(fā)聲的音頻采集，所采集的音頻保存為wav格式，每個(gè)母音分別采集音頻數(shù)量不少于6000段，且針對(duì)a、o、e、i、u五個(gè)母音發(fā)聲采集音頻，由具有權(quán)威性的評(píng)價(jià)人員根據(jù)發(fā)聲的音準(zhǔn)、音高、音色、節(jié)奏指標(biāo)進(jìn)行對(duì)音頻信號(hào)進(jìn)行質(zhì)量等級(jí)評(píng)定，然后對(duì)這些音頻數(shù)據(jù)進(jìn)行質(zhì)量等級(jí)標(biāo)注。最后，構(gòu)建數(shù)據(jù)集，并將這些數(shù)據(jù)按照8：1：1的比例進(jìn)行訓(xùn)練集、驗(yàn)證集和測(cè)試集的劃分。

10、步驟s2的具體方法為：首先，對(duì)母音發(fā)聲信號(hào)進(jìn)行預(yù)處理，預(yù)處理方法包括去噪處理、預(yù)加重處理以減小信號(hào)中的噪聲和干擾；其次，對(duì)預(yù)處理后的母音發(fā)聲信號(hào)進(jìn)行短時(shí)分析，設(shè)定幀長(zhǎng)和幀移，其中幀長(zhǎng)為窗函數(shù)長(zhǎng)，根據(jù)幀長(zhǎng)和幀移將整段母音發(fā)聲信號(hào)分幀，并將每幀信號(hào)與窗函數(shù)相乘，將信號(hào)劃分為一系列重疊的時(shí)間窗，并對(duì)每個(gè)時(shí)間窗內(nèi)的信號(hào)進(jìn)行分?jǐn)?shù)階傅里葉變換frft；最后，將每個(gè)時(shí)間窗的所生成的能量譜按時(shí)間順序拼接，獲得整個(gè)時(shí)間序列的分?jǐn)?shù)階語(yǔ)譜圖。

11、所述步驟s3中，聲樂(lè)發(fā)聲練習(xí)質(zhì)量評(píng)定網(wǎng)絡(luò)模型通過(guò)densenet網(wǎng)絡(luò)分別提取0.1階-1.0階的分?jǐn)?shù)階語(yǔ)譜圖的特征，并將所提取到的特征通過(guò)通道注意力機(jī)制進(jìn)行加權(quán)；然后，將加權(quán)后的特征輸入到bi-lstm網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)訓(xùn)練，抽取母音發(fā)聲信號(hào)的時(shí)間序列特征；

12、在進(jìn)行特征提取時(shí)，先使用densenet提取分?jǐn)?shù)階語(yǔ)譜圖的初步特征，然后在densenet的基礎(chǔ)上引入通道注意力機(jī)制，對(duì)提取到的特征進(jìn)行進(jìn)一步的篩選和增強(qiáng)，以有效地利用輸入數(shù)據(jù)中的信息，提取出更具有代表性和區(qū)分度的深度特征；

13、所述densenet網(wǎng)絡(luò)為采用密集連接的深度卷積神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)的每一層的輸出都直接連接到后續(xù)所有層的輸入，使得每一層都可以利用前面所有層處理后的分?jǐn)?shù)階語(yǔ)譜圖的特征信息，以解決梯度消失和模型退化的問(wèn)題，提高網(wǎng)絡(luò)的性能和泛化能力；

14、所述通道注意力機(jī)制通過(guò)對(duì)分?jǐn)?shù)階語(yǔ)譜圖特征圖的每個(gè)通道進(jìn)行重要性評(píng)估，并據(jù)此為每個(gè)通道分配不同的權(quán)重，使得densenet網(wǎng)絡(luò)關(guān)注重要的通道特征，忽略不重要的特征，以提高網(wǎng)絡(luò)對(duì)特征信息的利用率和識(shí)別準(zhǔn)確率；

15、densenet網(wǎng)絡(luò)配合通道注意力機(jī)制所提取的分?jǐn)?shù)階語(yǔ)譜圖特征用來(lái)訓(xùn)練bilstm網(wǎng)絡(luò)，通過(guò)反向傳播算法和梯度下降優(yōu)化器來(lái)更新聲樂(lè)發(fā)聲練習(xí)質(zhì)量評(píng)定網(wǎng)絡(luò)模型的權(quán)重和偏置項(xiàng)，以最小化預(yù)測(cè)值與實(shí)際值之間的誤差；

16、聲樂(lè)發(fā)聲練習(xí)質(zhì)量評(píng)定網(wǎng)絡(luò)模型訓(xùn)練完成后，使用該模型從新的母音發(fā)聲信號(hào)中抽取時(shí)間序列特征，通過(guò)這些特征向量來(lái)用于后續(xù)的發(fā)聲質(zhì)量等級(jí)評(píng)估。

17、步驟s4中，核極限學(xué)習(xí)機(jī)采用自適應(yīng)kelm，其通過(guò)選擇合適的核函數(shù)和確定核參數(shù)，將輸入數(shù)據(jù)映射到高維特征空間，從而增強(qiáng)數(shù)據(jù)的可分性。

18、步驟s4中采用的量子煙花算法qfwa是煙花算法fwa的量子化版本，其在解空間中通過(guò)量子位表示煙花和火花，利用量子旋轉(zhuǎn)門(mén)等操作來(lái)更新煙花和火花的位置，從而找到問(wèn)題的最優(yōu)解或近似最優(yōu)解；具體方法為：

19、首先，進(jìn)行煙花算法的量子編碼，對(duì)煙花位置進(jìn)行量子編碼，煙花個(gè)體pj的量子編碼為：

20、

21、式中，j為煙花個(gè)體編號(hào)，n為量子編碼長(zhǎng)度，θjn為每一位量子編碼的量子角。其次，對(duì)煙花位置采用量子旋轉(zhuǎn)門(mén)更新，每個(gè)量子位的狀態(tài)|ψ>的幅度表示為概率幅形式對(duì)煙花個(gè)體的位置采用量子旋轉(zhuǎn)門(mén)進(jìn)行更新，更新公式為：

22、

23、式中，和為第次迭代中第i個(gè)煙花第d維空間的概率幅，δθ為量子旋轉(zhuǎn)門(mén)的更新角度，和為更新后的概率幅；

24、本步驟中，為防止迭代過(guò)程中δθ太小影響算法收斂效率，或是δθ過(guò)大易陷入局部最優(yōu)解的問(wèn)題，采用隨迭代次數(shù)漸變的非線(xiàn)性自適應(yīng)旋轉(zhuǎn)角來(lái)改善量子煙花算法的性能，具體如下式所示，

25、

26、式中，其中為當(dāng)前最優(yōu)煙花的某個(gè)量子比特對(duì)應(yīng)的概率幅，為當(dāng)前煙花的某個(gè)量子比特對(duì)應(yīng)的概率幅，θbest和θi分別為當(dāng)前最優(yōu)煙花個(gè)體和當(dāng)前煙花個(gè)體的某個(gè)量子比特在單位圓上的角度；θ0為動(dòng)態(tài)旋轉(zhuǎn)角，λ為θ0動(dòng)態(tài)調(diào)整的非線(xiàn)性調(diào)制指數(shù)，取值范圍為1.0～2.0，以保證|θbest-θi|值越大調(diào)整幅度越大；k為最大迭代次數(shù)，δθ0為基本旋轉(zhuǎn)角，隨著迭代次數(shù)的增加而逐漸縮小

27、最后，對(duì)煙花個(gè)體變異操作，煙花個(gè)體在進(jìn)行量子旋轉(zhuǎn)門(mén)位置更新后以一定的概率進(jìn)入量子非門(mén)變異操作，即將量子個(gè)體中每一維的概率幅αi與βi進(jìn)行交換：

28、

29、式中，為變異后的量子概率幅，為變異前的概率幅。

30、步驟s4將量子煙花算法用于優(yōu)化kelm的超參數(shù)以形成混合優(yōu)化和學(xué)習(xí)框架，自適應(yīng)kelm通過(guò)自動(dòng)調(diào)整核參數(shù)來(lái)適應(yīng)不同的數(shù)據(jù)分布和特性，從而提高模型的泛化能力和預(yù)測(cè)精度；量子煙花算法用于在解空間中尋找最優(yōu)的正則化系數(shù)c和核函數(shù)參數(shù)s，而自適應(yīng)kelm則用于基于這些參數(shù)構(gòu)建和優(yōu)化模型；具體包括以下幾個(gè)步驟：

31、step1、初始化：在解空間中隨機(jī)生成一組初始的煙花，即候選的核參數(shù)s和正則化系數(shù)c；

32、step2、適應(yīng)度評(píng)估：使用自適應(yīng)kelm構(gòu)建基于當(dāng)前煙花參數(shù)的模型，并評(píng)估模型在訓(xùn)練數(shù)據(jù)上的性能作為煙花的適應(yīng)度；評(píng)估內(nèi)容包括對(duì)準(zhǔn)確率、損失函數(shù)值的評(píng)估；

33、step3、量子煙花算法優(yōu)化：利用量子煙花算法對(duì)煙花進(jìn)行演化，產(chǎn)生新的火花，即新的候選參數(shù)；在這個(gè)過(guò)程中，可以根據(jù)煙花的適應(yīng)度值調(diào)整煙花產(chǎn)生火花的數(shù)量和爆炸幅度，以實(shí)現(xiàn)更高效的搜索。

34、step4、更新：根據(jù)火花的適應(yīng)度值選擇一部分優(yōu)秀的火花作為下一代的煙花，并更新解空間；

35、step5、迭代和終止：重復(fù)步驟2-4，直到滿(mǎn)足終止條件，即達(dá)到最大迭代次數(shù)或滿(mǎn)足預(yù)設(shè)的精度要求；

36、step6、模型構(gòu)建：使用最終得到的包括核參數(shù)s和正則化系數(shù)c的煙花參數(shù)構(gòu)建自適應(yīng)kelm模型，并用于后續(xù)的預(yù)測(cè)或分類(lèi)任務(wù)。

37、所述評(píng)定方法用于實(shí)時(shí)對(duì)歌唱者的聲樂(lè)母音發(fā)聲練習(xí)質(zhì)量進(jìn)行量化評(píng)估，在步驟s5中，通過(guò)測(cè)試集對(duì)聲樂(lè)發(fā)聲練習(xí)質(zhì)量評(píng)定網(wǎng)絡(luò)模型進(jìn)行測(cè)試及結(jié)果分析，最終得出發(fā)聲質(zhì)量評(píng)定結(jié)果，發(fā)聲質(zhì)量評(píng)定結(jié)果的結(jié)果等級(jí)分為：優(yōu)、良、中、及格、差。

38、本發(fā)明提出分?jǐn)?shù)階語(yǔ)譜圖深度學(xué)習(xí)代替?zhèn)鹘y(tǒng)的語(yǔ)音特征提取及識(shí)別，分?jǐn)?shù)階語(yǔ)譜圖通過(guò)引入分?jǐn)?shù)階的概念，能夠更好地適應(yīng)非平穩(wěn)信號(hào)的特性，提供更準(zhǔn)確的頻譜分析；通道注意力機(jī)制能夠聚焦于輸入數(shù)據(jù)中的重要特征或區(qū)域，使模型能夠更好地理解和分類(lèi)數(shù)據(jù)，通過(guò)動(dòng)態(tài)地調(diào)整不同通道之間的權(quán)重，模型可以更加關(guān)注與當(dāng)前任務(wù)相關(guān)的信息，從而提高模型的性能；bi-lstm在時(shí)間序列特征深度學(xué)習(xí)方面具有雙向處理能力、長(zhǎng)期依賴(lài)捕捉能力、緩解梯度消失/爆炸問(wèn)題、靈活性和高性能等優(yōu)勢(shì)，使得bi-lstm在時(shí)間序列語(yǔ)音識(shí)別任務(wù)中表現(xiàn)出色；自適應(yīng)kelm通過(guò)引入自適應(yīng)機(jī)制，能夠根據(jù)數(shù)據(jù)的分布和特性自動(dòng)調(diào)整模型的參數(shù)和結(jié)構(gòu)，以適應(yīng)分?jǐn)?shù)階語(yǔ)譜圖深度學(xué)習(xí)的任務(wù)。

39、本發(fā)明方法可實(shí)時(shí)對(duì)歌唱者的聲樂(lè)母音發(fā)聲練習(xí)質(zhì)量進(jìn)行量化評(píng)估，摒棄主觀感受、更加客觀評(píng)價(jià)發(fā)聲質(zhì)量，提升了發(fā)聲質(zhì)量評(píng)定的效率和可靠性，可應(yīng)用于聲樂(lè)母音發(fā)聲練習(xí)的輔助教學(xué)，提高歌唱教學(xué)的質(zhì)量和效率。

40、針對(duì)上述傳統(tǒng)語(yǔ)音特征提取無(wú)法充分捕捉到語(yǔ)音信號(hào)中的復(fù)雜特征，無(wú)法有效地建模語(yǔ)音信號(hào)中的長(zhǎng)期依賴(lài)關(guān)系，對(duì)不同時(shí)間尺度的語(yǔ)音信號(hào)可能沒(méi)有很好的適應(yīng)性，對(duì)噪聲魯棒性差以及語(yǔ)音深度學(xué)習(xí)數(shù)據(jù)稀缺的問(wèn)題，本發(fā)明提出分?jǐn)?shù)階語(yǔ)譜圖深度學(xué)習(xí)代替?zhèn)鹘y(tǒng)的語(yǔ)音特征提取及識(shí)別，傳統(tǒng)的語(yǔ)譜圖在處理非平穩(wěn)信號(hào)時(shí)可能會(huì)受到限制，因?yàn)樗鼈兗僭O(shè)信號(hào)在短時(shí)間窗內(nèi)是平穩(wěn)的。然而，分?jǐn)?shù)階語(yǔ)譜圖通過(guò)引入分?jǐn)?shù)階的概念，能夠更好地適應(yīng)非平穩(wěn)信號(hào)的特性，提供更準(zhǔn)確的頻譜分析。

41、本發(fā)明的通道注意力機(jī)制能夠聚焦于輸入數(shù)據(jù)中的重要特征或區(qū)域，使模型能夠更好地理解和分類(lèi)數(shù)據(jù)。通過(guò)動(dòng)態(tài)地調(diào)整不同通道之間的權(quán)重，模型可以更加關(guān)注與當(dāng)前任務(wù)相關(guān)的信息，從而提高模型的性能。

42、本發(fā)明采用的bi-lstm在時(shí)間序列特征深度學(xué)習(xí)方面具有雙向處理能力、長(zhǎng)期依賴(lài)捕捉能力、緩解梯度消失/爆炸問(wèn)題、靈活性和高性能等優(yōu)勢(shì)，這些優(yōu)勢(shì)使得bi-lstm在各種時(shí)間序列預(yù)測(cè)、自然語(yǔ)言處理和語(yǔ)音識(shí)別等任務(wù)中表現(xiàn)出色。kelm結(jié)合了elm(極限學(xué)習(xí)機(jī))和核技巧，通過(guò)隨機(jī)生成的隱含層節(jié)點(diǎn)的線(xiàn)性組合來(lái)近似目標(biāo)函數(shù)，并通過(guò)求解最小二乘問(wèn)題來(lái)得到輸出權(quán)重，這種結(jié)構(gòu)使得kelm在處理非線(xiàn)性數(shù)據(jù)時(shí)表現(xiàn)出較好的泛化性能，能夠更準(zhǔn)確地逼近復(fù)雜的函數(shù)關(guān)系。

43、相比傳統(tǒng)的監(jiān)督學(xué)習(xí)方法，本發(fā)明采用的kelm采用了一種隨機(jī)初始化的方式，不需要迭代調(diào)整隱含層節(jié)點(diǎn)的參數(shù)，從而大大減少了訓(xùn)練時(shí)間。自適應(yīng)kelm通過(guò)引入自適應(yīng)機(jī)制，能夠根據(jù)數(shù)據(jù)的分布和特性自動(dòng)調(diào)整模型的參數(shù)和結(jié)構(gòu)，以適應(yīng)不同的學(xué)習(xí)任務(wù)，這種自適應(yīng)能力使得模型在處理復(fù)雜和多變的數(shù)據(jù)時(shí)更加靈活和有效。