基于RLS算法的多麦克风降噪课程设计0000

《基于RLS算法的多麦克风降噪课程设计0000》由会员分享，可在线阅读，更多相关《基于RLS算法的多麦克风降噪课程设计0000（37页珍藏版）》请在装配图网上搜索。

1、课 程 设 计题 目基于RLS 算法的多麦克风降噪学 院专 业班 级姓 名指引教师信息解决课群综合训练与设计任务书题 目: 基于RLS 算法的多麦克风降噪 初始条件：Matlab软件、信号与系统、通信解决等规定完毕的重要任务: （涉及课程设计工作量及其技术规定，以及阐明书撰写等具体规定）设计任务：给定主麦克风录制的受噪声污染的语音信号和参照麦克风录制的噪声，实现语音增强的目的，得到清晰的语音信号。设计的规定：（1）阅读参照资料和文献，明晰算法的计算过程，理解RLS算法基本过程；（2）主麦克风录制的语音信号是RLSprimsp.wav，参照麦克风录制的参照噪声是RLSrefns.wav，用mat

2、lab指令读取；（3）根据算法编写相应的MATLAB程序；（4）算法仿真收敛后来，得到增强的语音信号；（5）用matlab指令回放增强后的语音信号；（6）分别对增强前后的语音信号作频谱分析。参照书：1 刘泉,信号与系统, 高等教育出版社, 。2 刘泉,数字信号解决,电子工业出版社,。3 Edward W. Kamen, Bonnie S.Heck 编,信号与系统基本应用Web 和MATLAB（第二版），科学出版社， 年。时间安排：1、理论解说，教师布置课程设计题目，学生根据选题开始查找资料；2、课程设计时间为2周。（1）理解有关技术原理，拟定技术方案， 时间2天；（2）选择仿真工具，进行仿真设

3、计与分析，时间6天；（3）总结成果，完毕课程设计报告，时间2天。指引教师签名： 年 月 日系主任（或责任教师）签名： 年 月 日目 录摘要IAbstractII1 绪论11.1绪论11.2任务与规定22 信号解决基本原理32.1自适应滤波器构成32.2自适应干扰抵消原理32.3自适应滤波原理42.4 RLS算法基本原理53 方案设计73.1最小二乘算法RLS算法实现73.2 RLS算法程序程序设计94 RLS算法滤波方案实现114.1信号的获取114.2读取语音文献114.3RLS算法实现114.4提取语音信号125仿真成果与分析15 5.1原始音频信号155.2麦克风主语音信号165.3噪声

4、语音信号175.4降噪后语音信号185.5信号解决分析195.5.1原始语音信号与主语音信号分析195.5.2主语音信号与降噪后语音信号分析205.5.3原始语音信号与降噪后语音信号分析216总结22参照文献23附录 源程序24摘要本次课程设计题目为基于RLS 算法的多麦克风降噪，规定使用MATLAB软件，运用自适应滤波中的RLS算法实现麦克风降噪。MATLAB即矩阵实验室，是一种可视化的计算程序，被广泛的运用在科学计算领域，涉及数值计算、数据拟合图形图像解决、系统模拟仿真功能。除具有卓越的数值计算能力用外，它还提供了专业水平的符号计算，文字解决，可视化建模仿真和实时控制等功能。在理解RLS算

5、法的原理后，选择了一段音频文献，并运用它产生随机噪声，将噪声和源文献叠加作为受噪声污染的语音信号，而随机噪声则作为参照麦克风语音信号，通过MATLAB编程实现语音增强的目的，运用RLS算法对语音信号进行降噪，得到清晰的语音信号。核心词：MATLAB，自适应滤波，RLS算法，麦克风降噪AbstractThe curriculum design topic for noise reduction based on RLS algorithm microphone, requires the use of MATLAB software, the RLS adaptive kalman filter

6、ing algorithm microphone noise reduction.MATLAB matrix lab, is a visual calculation program, has been widely used in the field of scientific computing, including numerical calculation, data fitting of image processing, system simulation function. Besides excellent ability in numerical calculation wi

7、th, it also provides a professional level of symbolic computation, word processing, visual modeling simulation and real-time control, and other functions.After knowing the principle of RLS algorithm, chose an audio file, and use it to produce random noise, the noise and the superposition of the sour

8、ce file as speech signal polluted by noise, and random noise is used as a reference microphone voice signal, through the MATLAB programming to realize the goal of speech enhancement, RLS algorithm is used to analyse the speech signal de-noising, get clear speech signal.Keywords: MATLAB, adaptive fil

9、ter, RLS algorithm, microphone noise reduction1 绪论1.1绪论自适应噪声滤波是指从信号被噪声干扰所沉没的环境中检测和提取有用信号，而自适应抵消是以噪声干扰为解决对象，将它们克制掉或进行非常大的衰减，以提高信号传递和接受的信噪比质量。自适应滤波解决技术可以用来检测平稳的和非平稳的随机信号。自适应数字系统具有很强的自学习、自跟踪能力和算法的简朴易实现性，它在噪声信号的检测增强，噪声干扰的抵消，波形编码的线性预测，雷达声纳系统的阵列解决和波束形成，通信系统的自适应分割，以及未知系统的自适应参数辨识等方面获得了广泛的应用。例如，在工业生产过程中，由于生产

10、环境的影响，许多静电或电磁场会对控制器输入给定信号导致干扰，产生信号噪声，导致操作精度下降甚至输入错误信号，加快执行机构的磨损，严重时导致生产事故，后果不堪设想，这就需要设计一种自适应信号解决系统来过滤噪声干扰。再如水下侦察系统中发射器与接受器靠得很近，但为了探测水下远程潜艇等目的，发射信号的功率很强，就会串扰到接受器中，因此所接受的远程目的的反射波就沉没在串扰信号中，大大阻碍了对目的定位距离的测量，这时也必须采用干扰抵消措施。因此，自适应噪声干扰抵消技术有着重要的应用。通过本次课程设计，我们可以加强对信号解决的理解，学会查寻资料方案比较，以及设计算法等。灵活运用所学信号与系统、数字信号解决等

11、信息解决知识，分析和解决工程技术问题，将理论知识与应用实际结合起来。本次课程设计的题目为基于RLS的多麦克风语音降噪，重要是对给定主麦克风录制的受噪声污染的语音信号和参照麦克风录制的噪声，实现语音增强的目的，得到清晰的语音信号。 1.2任务与规定给定主麦克风录制的受噪声污染的语音信号和参照麦克风录制的噪声，实现语音增强的目的，得到清晰的语音信号。规定：（1）阅读参照资料和文献，明晰算法的计算过程，理解RLS算法基本过程；（2）主麦克风录制的语音信号是RLSprimsp.wav，参照麦克风录制的参照噪声是RLSrefns.wav，用matlab指令读取；（3）根据算法编写相应的MATLAB程序；

12、（4）算法仿真收敛后来，得到增强的语音信号；（5）用matlab指令回放增强后的语音信号；（6）分别对增强前后的语音信号作频谱分析。2 信号解决基本原理2.1自适应滤波器构成自适应滤波器一般由两部分构成，其一是滤波子系统，根据它所要解决的功能而往往有不同的构造形式。另一是自适应算法部分，用来调节滤波子系统构造的参数，或滤波系数。在自适应调节滤波系数的过程中，有不同的准则和算法。算法是指调节自适应滤波系数的环节，以达到在所描述准则下的误差最小化。自适应滤波器具有两个过程，即自适应过程与滤波过程。前一过程的基本目的是调节滤波系数(k)，使故意义的目的函数或代价函数F()最小化，滤波器输出信号y(n

13、)逐渐逼近所盼望的参照信号d(n)，由两者之间的估计误差e(n)驱动某种算法对滤波(权)系数进行调节，使滤波器处在最佳工作状态以实现滤波过程。但是，由于目的函数F()是输入信号x(k)、参照信号d(k)及输出信号y(k)的函数，即F()=Fx(k),d(k),y(k)，因此目的函数必须具有如下两个性质:（1）非负性（2）最佳性2.2自适应干扰抵消原理图2-1自适应干扰抵消原理图自适应滤波器在实际应用中，由于没有充足的信息来设计固定系数的数字滤波器，或者设计规则会在滤波器正常运营时变化，因此我们需要研究自适应滤波器。但凡需要解决未知记录环境下运算成果所产生的信号或需要解决非平稳信号时，自适应滤波

14、器可以提供一种吸引人的解决措施，并且其性能一般远优于用常措施设计的固定滤波器。此外，自适应滤波器还能提供非自适应措施所不也许提供的新的信号解决能力。自适应噪声抵消技术是自适应信号解决的一种应用分支，其重要理论和框架在1975年提出，通过三十近年的丰富和扩大，目前已经应用到了诸多领域，例如车载免提通话设备，房间或无线通讯中的回声抵消在母体上检测胎儿心音，机载电子干扰机收发隔离等，都是用自适应干扰抵消的措施消除混入接受信号中的其她声音信号。如图所示的是自适应干扰抵消器的基本构造，它有着很广泛的应用。盼望响应是信号和噪声之和，即，自适应解决器的输入是与有关的另一种噪声。当与不有关时，自适应解决器将调

15、节自己的参数，以力图使成为的最佳估计。这样，将逼近信号，且其均方值为最小。噪声就得到了一定限度的抵消。2.3自适应滤波原理 图2-2 自适应滤波原理图自适应滤波器由递归计算最小二乘估计(RLS)应用自适应权值控制机制来进行(图3-2)。自适应滤波机制在估计滤波器的权重或者系数时，需要将输入信号转换成所需的信号，通过滤波器的信号输入端口进行连接。该输入信号可以是基于采样的标量或一种单位信道的基于帧的信号。将所需端口的信号必须具有相似的数据类型、帧状态、复杂性，才干作为所需的信号作为输入信号，输出端口输出滤波后的输入信号，它可以是基于样品或帧输入信号。使用递归最小二乘(RLS)算法，从输入信号中减

16、去噪声得到输出信号。RLS自适应线性自适应滤波器使用的输入端口上的参照信号与输出的盼望信号端口自动匹配，滤波过程在噪声滤波器内进行去噪。由于通过滤滤器的输入信号进行收敛，过滤的噪声应完全从“信号加噪声”的信号中减去，继而使得输出信号应当只涉及原始信号。这样完毕一次去噪滤波，可以减少噪声对信道的影响，更有助于进行信道估计。通过上面的分析讨论，将带有噪声的原始信号输入到系统中，通过将线性自适应滤波器与RLS算法相结合进行信道估计，来改善RLS估计算法，减小噪声对信道的影响，这样就能有效的较少信道干扰和载波间干扰，从而优化信道的估计算法。2.4 RLS算法基本原理所谓自适应实现是指运用前一时刻获得的

17、滤波器参数，根据估计误差自动调节现时刻的参数，使得某个代价函数达到最小，从而实现最优滤波。 （公式1） 下降算法：最广泛使用的自适应算法涉及自适应梯度算法(LMS)、自适应高斯-牛顿算法(RLS)。RLS算法：（Recursive Least-Squares），递归最小二乘算法。它是运用在已知n-1时滤波器抽头权系数的状况下，通过简朴的更新，求出n时刻的滤波器抽头权系数。代价函数：使用指数加权的误差平方和 （公式2） （01,称为遗忘因子）引入遗忘因子作用是离n时刻近的误差附较大权重， 离n时刻远的误差赋较小权重，保证在过去某一段时间的观测数据被“遗忘”，从而使滤波器可以工作在非平稳状态下。估

18、计误差定义： （公式3） （公式4）可取滤波器的实际输入d*(i)作为盼望响应d(i)。将误差代入代价函数得到加权误差平方和的完整体现式： （公式5） 抽头权向量取的是n时刻的w(n)而不是i时刻的w(i)。i=n时刻， （公式6） （公式7）故代价函数比更合理。为了使代价函数获得最小值,可通过对权向量求导： （公式8） 解得 其中 （公式9） （公式10） 由此可见指数加权最小二乘法的解转化为Wiener滤波器的形式：下面研究它的自适应更新过程：由公式9可得 令、原式可化为 由矩阵求逆引理得 令，则，其中k(n)为增益向量。 （公式11） 又由式中3 方案设计3.1最小二乘算法RLS算法实现

19、图3-1自适应横向滤波器构造框图自适应横向滤波器有两路输入，一为输入信号x(n)，具有样本x(1)，x(2)，x(N);另一为盼望信号序列为d(n)，具有样本d(1)，d(2)，d(N)如图2所示。滤波器滤波系数是对延迟线抽头信号加权的系数w1(n)，w2(n)，w3(n)，Wm (n)，实质上，这也是滤波器的冲激响应序列。这里滤波器长度M必须低于或等于信号数据长度n。滤波器输出信号y(n)等于输入信号x(n)与冲激响应序列Wi (n)的卷积和，如式。 误差信号为，由此得到自适应横向滤波器按最小平方准则设计的代价函数： 将代入式中，展开得：式中，MN。简短的表达滤波器的代价函数，将上式有关项定

20、义为如下参数：（1）拟定性有关函数表达输入信号在抽头k与抽头m之间两信号的有关性， （2）拟定性互有关函数表达盼望响应与在抽头k输入型号之间的互有关性： （3）盼望响应序列的能量为： 将上述定义的三个参数代入式中，得： 为了估算滤波器的最佳滤波系数，把式对滤波系数（权系数）微分一次，并令其导数等于0： 得： 这是最小二乘法自适应滤波的正则方程。RLS递推计算公式为：式中为增益矢量，它等于有关矩阵的逆矩阵与延迟线抽头输入阵的乘积。是真正的估计误差，它等于：自适应递归最小二乘算法的信号流程图如图3：图3-2 RLS算法信号流程图RLS算法的计算步序如图4：图3-3 RLS算法步序3.2 RLS算法

21、程序程序设计在理解RLS算法的基本原理后，我决定自行编写RLS算法程序块，RLS算法可以理解为将输出反馈给滤波器来调节有关参数，达到校正误差的目的。算法实现模块代码如下所示：Worder=32; %滤波器阶数lambda=1 ; % 设立遗忘因子Delta=0.001 ; p=(1/Delta) * eye ( Worder,Worder ) ;w=zeros(Worder,1);output=primary; %主语音输出loopsize=max(size(primary); for i=1+Worder:loopsize %写RLS算法公式 z=primary(i)-w*(fref(i-W

22、order+1:i); n2=fref(i-Worder+1:i); k=(1/lambda)*p*n2; K=k/(1+n2*k); w = w + K*z; p0=K*n2; p= (p-p0*p)/lambda; output(i-Worder)=z; disp(i);end; 4 RLS算法滤波方案实现4.1信号的获取本次课程设计对我们自行解决和灵活运用的能力提出了很高的规定。一方面，设计中未规定所需要用到的语音信号；另一方面，录制噪声和被噪声污染的语音信号也是一种的问题。通过考虑，原始音频信号选择从网上下载的一段WAV格式的5秒铃声，然后用randn(length(source),1

23、)函数输出作为噪声，记做RLSrefns.wav。将这两段语音信号叠加并保存下来记做RLSprimsp.wav。4.2读取语音文献主麦克风录制的语音信号是RLSprimsp.wav，参照麦克风录制的参照噪声是RLSrefns.wav，都是.wav格式，用waveread指令读取音频信号；指令写为如下：primary = wavread(RLSprimsp.wav); primary = primary;ref = wavread(RLSrefns.wav); fref = fref;4.3RLS算法实现RLS算法的收敛特性较LMS算法优越，但相应的复杂度也要高许多，考虑到收敛时间的影响，从起始

24、时间到收敛时间经滤波器解决得到到输出误差仍然很大，故直接将前32项去掉，先通过两输入作差得到预期值，再将所有预期值与相应时刻的实际输出值作差求平方，将这些平方值相加可以得到一种变量为W的函数，取W是函数的值最小。此外，显然距离n近来的量与Y（n）最接近，引入遗忘因子使得从n-1到0，有关限度逐渐减小。最后求得有关偏差，反馈给滤波器以矫正输出，达到减小误差的目的。% 初始化Worder=32; %滤波器阶数Delta=0.001 ; p=(1/Delta) * eye ( Worder,Worder ) ; w=zeros(Worder,1);output=primary; %主语音输出loop

25、size=max(size(primary); for i=1+Worder:loopsize %写RLS算法公式 z=primary(i)-w*(fref(i-Worder+1:i); n2=fref(i-Worder+1:i); k=p*n2; K=k/(1+n2*k); w = w + K*z; p0=K*n2; p = (p-p0*p); output(i-Worder)=z;end;4.4提取语音信号用MATLAB中的wavread指令分别读取被噪声污染后的语音文献RLSprimsp.wav和噪声文献RLSrefns.wav后，进行RLS算法解决，滤除噪声后，得到语音文献，先由plo

26、t指令绘出语音文献波形，再用Y=fft()函数求出频谱，由plot指令绘出语音文献频谱图，然后通过MATLAB中的sound命令播放语音文献。代码如下所示：%*figure; %作图%*subplot(2,4,1);plot(source); %画出原始语音波形title(原始语音波形);y1,Fs1,bits1=wavread(hen.wav);Y1=fft(y1,4096);subplot(2,4,5);plot(abs(Y1); %画出原始语音频谱title(原始语音频谱);%*subplot(2,4,2);plot(primary); %画出麦克风主语音波形title(麦克风主语音波形

27、);y2,Fs2,bits2=wavread(RLSprimsp.wav);Y2=fft(y2,4096);subplot(2,4,6);plot(abs(Y2); %画出麦克风主语音频谱title(麦克风主语音输入频谱);%*subplot(2,4,3);plot(fref); %画出噪声语音波形title(噪声语音波形);y3,Fs3,bits3=wavread(RLSrefns.wav);Y3=fft(y3,4096);subplot(2,4,7);plot(abs(Y3); %画出噪声语音频谱title(噪声输入频谱);%*subplot(2,4,4);plot(output); %画

28、降噪后的语音波形title(降噪后语音波形);wavwrite(output,fs,asd); %生成降噪后的语音y,Fs4,bits4=wavread(asd.wav);Y=fft(y,4096);subplot(2,4,8);plot(abs(Y); %画出降噪后语音频谱title(降噪后语音输出频谱);%*f=1;while f=1flag=input(请选择输出语音；1-原始语音 2-加噪主语音 3-噪声语音 4-降噪后语音 : );switch flag case 1 sound(source,fs,bits); case 2 sound(y2,Fs2,bits2); case 3

29、sound(y3,Fs3,bits3); case 4 sound(output,Fs4,bits4);endf=input(与否重新选择？ 是 输入1 否 输入0 :);End5仿真成果与分析5.1原始音频信号（1）原始语音波形图5-1原始语音波形图（2）原始语音频谱图5-2原始语音频谱5.2麦克风主语音信号（1）麦克风主语音波形图5-3增强的语音信号波形图（2） 麦克风主语音频谱图5-4麦克风主语音频谱5.3噪声语音信号（1） 噪声语音波形图5-5噪声语音波形（2） 噪声语音频谱图5-6噪声语音频谱5.4降噪后语音信号（1）降噪后语音波形图5-7降噪后语音波形（2）降噪后语音频谱图5-8降

30、噪后语音频谱5.5信号解决分析5.5.1原始语音信号与主语音信号分析主语音信号为原始语音信号加噪声信号得到的合成信号，由于噪声信号波形的幅值相对原始语音信号幅值较小，因此原始语音信号加噪前后的波形差别并不十分明显，如图5-9，但通过对比频谱还是可以看出原始语音信号加噪前后有所不同，如图5-10。图5-9原始语音与主语音波形对比图5-10原始语音与主语音频谱对比5.5.2主语音信号与降噪后语音信号分析由于噪声信号波形的幅值相对主语音信号幅值较小，因此主语音信号降噪前后的波形差别并不十分明显，如图5-11，但通过对比频谱（如图5-12）可以看出降噪后的语音信号波形刚好滤除了噪声波形，得到的波形图也

31、更清晰。图5-11主语音信号与降噪后语音信号波形对比图5-12主语音信号与降噪后语音信号频谱对比5.5.3原始语音信号与降噪后语音信号分析原始语音信号与降噪后语音信号几乎相似，如图5-13，对比频谱可以看出两信号频谱也几乎相似，如图5-14。阐明主语音信号通过RLS算法降噪的效果较好，主语音信号得到增强。图5-13原始语音信号与降噪后语音信号波形对比图5-14原始语音信号与降噪后语音信号频谱对比6总结在课程设计的过程中，一方面查阅资料理解了基于RLS多麦克风语音信号降噪的过程以及RLS的原理及实现措施，通过MATLAB编程及仿真，实现了语音信号的降噪，并且从不清晰的语音信号中通过RLS降噪得到

32、了清晰的语音信号，充足体会了基于RLS多麦克风语音信号降噪这一技术的作用。同步，也学会了对语音信号进行频谱分析，以及进一步熟悉了MATLAB的使用过程，加深了对这一软件的理解，提高了自己动手的能力。通过本次学科课程设计，我掌握了自适应算法的某些基本知识，加强了我对MATLAB软件的应用能力，提高了运用RLS算法进行滤波器设计的基本能力。提高自己的基本理论知识、基本动手能力，并协助我掌握基本的文献检索和文献阅读的措施，同步提高自己对的地撰写论文的基本能力。固然，通过本次RLS算法多麦克风语音降噪课程设计，我也发现了自己的诸多局限性。但是通过自己的动手动脑和努力，既增长了知识，又给了我专业知识以及

33、专业技能上的提高。这个过程也让我明白了学无止尽的道理，并且理论只有与实际联系起来才干更好地去学习与理解。我也会更加努力，认真学习，争取在后来的课程中做得更好。参照文献1陈怀琛.MATLAB及在电子信息课程中的应用. 西安电子科技大学出版社，2胡广书.数字信号解决理论、算法与实现. 清华大学出版社，3何振亚.自适应信号解决.科学出版社，4安颖、侯国强.自适应滤波算法研究与DSP实现.现代电子技术出版社，5王洪元主编.MATLAB语言以及在电子信息工程中的应用.清华大学出版社，6 郑宝玉.自适应滤波器原理M.北京：电子工业出版社，附录 源程序clc;source,fs,bits=wavread(h

34、en.wav);noise=0.01*randn(length(source),1);source=source(:,1);source1=source+noise;wavwrite(noise,fs,RLSrefns); %输出模拟噪声信号wavwrite(source1,fs,RLSprimsp); %输出模拟主语音信号primary=wavread(RLSprimsp.wav); %读入麦克风语音信号primary=primary;fref=wavread(RLSrefns.wav); fref=fref;Worder=32; %滤波器阶数Delta=0.001;p=(1/Delta)*

35、eye(Worder,Worder); w=zeros(Worder,1);output=primary; %主语音输出loopsize=max(size(primary); for i=1+Worder:loopsize %写RLS算法公式z=primary(i)-w*(fref(i-Worder+1:i);n2=fref(i-Worder+1:i);k=p*n2;K=k/(1+n2*k);w=w+K*z;p0=K*n2;p=(p-p0*p);output(i-Worder)=z;end%*figure; %作图%*subplot(2,4,1);plot(source); %画出原始语音波形

36、title(原始语音波形);y1,Fs1,bits1=wavread(hen.wav);Y1=fft(y1,4096);subplot(2,4,5);plot(abs(Y1); %画出原始语音频谱title(原始语音频谱);%*subplot(2,4,2);plot(primary); %画出麦克风主语音波形title(麦克风主语音波形);y2,Fs2,bits2=wavread(RLSprimsp.wav);Y2=fft(y2,4096);subplot(2,4,6);plot(abs(Y2); %画出麦克风主语音频谱title(麦克风主语音输入频谱);%*subplot(2,4,3);pl

37、ot(fref); %画出噪声语音波形title(噪声语音波形);y3,Fs3,bits3=wavread(RLSrefns.wav);Y3=fft(y3,4096);subplot(2,4,7);plot(abs(Y3); %画出噪声语音频谱title(噪声输入频谱);%*subplot(2,4,4);plot(output); %画降噪后的语音波形title(降噪后语音波形);wavwrite(output,fs,asd); %生成降噪后的语音y,Fs4,bits4=wavread(asd.wav);Y=fft(y,4096);subplot(2,4,8);plot(abs(Y); %画出

38、降噪后语音频谱title(降噪后语音输出频谱);%*f=1;while f=1flag=input(请选择输出语音；1-原始语音 2-加噪主语音 3-噪声语音 4-降噪后语音 : );switch flag case 1 sound(source,fs,bits); case 2 sound(y2,Fs2,bits2); case 3 sound(y3,Fs3,bits3); case 4 sound(output,Fs4,bits4);endf=input(与否重新选择？ 是 输入1 否 输入0 :);end本科生综合训练成绩评估表姓 名性 别男专业、班级 通信1201班综合训练题目：基于RLS 算法的多麦克风降噪综合训练答辩或质疑记录：成绩评估根据：最后评估成绩（以优、良、中、及格、不及格评估）指引教师签字： 年 月 日