基于半監(jiān)督學(xué)習(xí)的音頻實(shí)時(shí)檢測(cè)方法的研究.pdf

1、隨著現(xiàn)代信息技術(shù)，特別是網(wǎng)絡(luò)技術(shù)和多媒體技術(shù)的迅速發(fā)展，多媒體數(shù)據(jù)已成為互聯(lián)網(wǎng)上傳送數(shù)據(jù)的主要部分。音頻是多媒體中的一種重要媒體，由于音頻數(shù)據(jù)量的快速增長(zhǎng)，如何在大規(guī)模的音頻數(shù)據(jù)中迅速、有效地檢索出所需要的音頻信息就變得越來(lái)越重要。傳統(tǒng)的音頻檢索技術(shù)需要耗費(fèi)大量的勞動(dòng)力，而引入機(jī)器學(xué)習(xí)可以降低人工參與，也可以更智能地處理音頻數(shù)據(jù)。機(jī)器學(xué)習(xí)能夠根據(jù)用戶的特定需求從海量數(shù)據(jù)中建立模型并發(fā)現(xiàn)有用的知識(shí)。本學(xué)位論文將半監(jiān)督學(xué)習(xí)策略用于音頻檢索，

2、提出了一種檢測(cè)具體應(yīng)用環(huán)境中聲音元素的方法。
　　首先，利用小波的多分辨率分析特性，提取3層小波分解后低頻系數(shù)的MFCC特征、原始音頻數(shù)據(jù)的頻譜質(zhì)心以及具有較好抗噪聲性能的譜熵特征，并計(jì)算MFCC特征的均值、頻譜質(zhì)心和譜熵的方差，由此構(gòu)造14維特征向量。
　　其次，針對(duì)Tri-training算法學(xué)習(xí)時(shí)會(huì)引入噪聲，而且對(duì)無(wú)標(biāo)記樣例的利用率不高的問(wèn)題，提出了基于輔助學(xué)習(xí)策略的半監(jiān)督協(xié)同訓(xùn)練學(xué)習(xí)算法(AR-Tri-trainin

3、g)。該算法在少量的已標(biāo)記樣例基礎(chǔ)上，根據(jù)所提出的輔助學(xué)習(xí)策略設(shè)計(jì)音頻學(xué)習(xí)器，再結(jié)合富信息策略，達(dá)到在學(xué)習(xí)過(guò)程中消除噪聲的目的，從而提高了數(shù)據(jù)的利用能力。
　　最后，將音頻學(xué)習(xí)器用于特定場(chǎng)景中，提出了一種能夠?qū)崟r(shí)檢測(cè)場(chǎng)景中聲音元素的檢測(cè)算法。以2s時(shí)長(zhǎng)作為檢測(cè)單位，提取實(shí)時(shí)錄入音頻數(shù)據(jù)的特征向量之后，將此特征向量輸入經(jīng)訓(xùn)練后的音頻學(xué)習(xí)器，從而檢測(cè)出聲音元素以及時(shí)間分布，并分析了檢測(cè)系統(tǒng)的性能。
　　實(shí)驗(yàn)結(jié)果表明，本文提出的A