基于深層神經(jīng)網(wǎng)絡的音頻特征提取及場景識別研究.pdf

1、音頻場景識別(Audio Context Recognition)是人工智能領域重要的研究方向之一，該技術(shù)依據(jù)周邊聲音感知環(huán)境動態(tài)，對機器作出進一步智能選擇有著非常重要的意義。近年來有較多的學者涉足這一研究方向，他們大多采用先特征提取后分類器分類的研究框架，其中，對如何提取能夠反映音頻場景聲學特性的識別特征方面給與了較多的關(guān)注。所采用的聲學特征可以粗略的分為兩大類：短時特征和長時特征。短時特征如單音軌梅爾頻率倒譜系數(shù)、多音軌梅爾頻率倒譜

2、系數(shù)、梅爾頻率倒譜系數(shù)和稀疏特征的聯(lián)合特征等；長時特征多為音頻段的長時統(tǒng)計值或基于語義相關(guān)性的特征等。從研究結(jié)果上看，目前的聲學特征都有其不足之處，短時特征往往不足以完整地刻畫一個音頻場景的特性，長時特征往往缺乏對音頻段內(nèi)部細節(jié)的描述，而長時統(tǒng)計值中缺失的內(nèi)部結(jié)構(gòu)信息對區(qū)分音頻場景也有重用的價值。本文對既能反映音頻段長時特性又能反映局部結(jié)構(gòu)性的聲學特征的提取方法進行研究，并驗證了它們在音頻場景識別任務中的有效性。
　　深層神經(jīng)網(wǎng)絡

3、能夠通過自學習來發(fā)現(xiàn)適合分類任務的特征向量，這已經(jīng)在圖像尤其是自然圖像的結(jié)構(gòu)性特征分析方面得到了驗證，這些特征提取方法能夠很好地反映出圖像的結(jié)構(gòu)信息，相對于主觀分析方法有著很大的優(yōu)勢。所以，本課題借助深層神經(jīng)網(wǎng)絡的特征分析能力在語譜圖上進行場景長時結(jié)構(gòu)性特征的分析與提取。主要研究內(nèi)容如下：
　　首先研究了基于卷積神經(jīng)網(wǎng)絡的音頻場景特征分析提取方法，卷積神經(jīng)網(wǎng)絡通過卷積和下采樣操作對輸入數(shù)據(jù)進行非線性映射,最終通過重構(gòu)誤差的反向傳播

4、進行參數(shù)的調(diào)節(jié)，從而提取出能夠刻畫音頻場景特性的聲學特征。卷積神經(jīng)網(wǎng)絡在訓練是以輸入數(shù)據(jù)的類別重構(gòu)誤差最小化為優(yōu)化目標的，所以訓練過程需要大量的有標簽數(shù)據(jù)。
　　現(xiàn)實情況下，往往難以得到大量帶標簽的訓練數(shù)據(jù)，因為對數(shù)據(jù)進行標注費時費力，所以本文也提出了基于解卷積神經(jīng)網(wǎng)絡的特征提取方法。解卷積神經(jīng)網(wǎng)絡模型在特征分析處理過程中不僅保留了卷積神經(jīng)網(wǎng)絡的卷積操作和下采樣操作，而且還在原來的基礎上有了些改進，其參數(shù)更新過程是基于對輸入數(shù)據(jù)重