基于深層神經(jīng)網(wǎng)絡(luò)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(lǐng)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(jī)器作出進(jìn)一步智能選擇有著非常重要的意義。近年來有較多的學(xué)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(xué)特性的識別特征方面給與了較多的關(guān)注。所采用的聲學(xué)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(xué)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(xì)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(xué)特征的提取方法進(jìn)行研究，并驗證了它們在音頻場景識別任務(wù)中的有效性。
　　深層神經(jīng)網(wǎng)絡(luò)

3、能夠通過自學(xué)習(xí)來發(fā)現(xiàn)適合分類任務(wù)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(luò)的特征分析能力在語譜圖上進(jìn)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(luò)的音頻場景特征分析提取方法，卷積神經(jīng)網(wǎng)絡(luò)通過卷積和下采樣操作對輸入數(shù)據(jù)進(jìn)行非線性映射,最終通過重構(gòu)誤差的反向傳播

4、進(jìn)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(xué)特征。卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)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(biāo)的，所以訓(xùn)練過程需要大量的有標(biāo)簽數(shù)據(jù)。
　　現(xiàn)實情況下，往往難以得到大量帶標(biāo)簽的訓(xùn)練數(shù)據(jù)，因為對數(shù)據(jù)進(jìn)行標(biāo)注費時費力，所以本文也提出了基于解卷積神經(jīng)網(wǎng)絡(luò)的特征提取方法。解卷積神經(jīng)網(wǎng)絡(luò)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(luò)的卷積操作和下采樣操作，而且還在原來的基礎(chǔ)上有了些改進(jìn)，其參數(shù)更新過程是基于對輸入數(shù)據(jù)重