[发明专利]基于卷积神经网络与随机森林分类的声音场景识别方法

权利要求书

1.一种基于卷积神经网络与随机森林分类的声音场景识别方法，其特征在于：首先，声音场景通过Mel滤波器生成Mel能量谱及其片段样本集；然后，利用片段样本集对CNN进行两阶段训练，截断全连接层的特征输出，得到片段样本集的CNN特征；最后，用随机森林对片段样本集的CNN特征进行分类，得到最终识别结果。

2.根据权利要求1所述的基于卷积神经网络与随机森林分类的声音场景识别方法，其特征在于：所述声音场景通过Mel滤波器生成Mel能量谱及其片段样本集，即通过对各种不同长度的场景声音样本提取Mel能量谱，通过分片采样，得到大小一致的Mel能量谱片段作为CNN模型的训练样本。

3.根据权利要求1或2所述的基于卷积神经网络与随机森林分类的声音场景识别方法，其特征在于：所述声音场景通过Mel滤波器生成Mel能量谱及其片段样本集的具体实现方式如下，

步骤S1、场景声音信号s(n)经过短时傅里叶变换得到短时幅度谱|S(t,f)|

其中，t为帧索引，f为频率，w(n)为分析窗函数；

步骤S2、由短时幅度谱|S(t,f)|得到信号s(n)的能量密度函数P(t,f)

P(t,f)＝S(t,f)×conj(S(t,f))＝|S(t,f)|² (2)

其中，conj为求共轭复数函数；

步骤S3、使用Mel滤波器组对能量密度函数P(t,f)进行滤波得到Mel滤波后的能量密度函数

其中，N表示Mel滤波器组由N个三角带通滤波器构成，B_m[k]表示中心频率为f_m且响应频率范围为(f_m-1,f_m+1)的三角带通滤波器的频率响应函数；B_m[k]可以由下式表示：

其中，Mel滤波器的中心频率f_m可通过对应的时域频率f得到；

步骤S4、Mel滤波后的能量密度函数通过规范化log尺度得到Mel能量谱P_mel(t,f)

步骤S5、对产生的Mel能量谱P_mel(t,f)进行分片采样，即采用滑动窗口取得Mel能量谱的片段；

通过上述的过程，将场景声音的时域信号转化为时频域的二维图谱，即Mel能量谱及能量谱片段。

4.根据权利要求3所述的基于卷积神经网络与随机森林分类的声音场景识别方法，其特征在于：所述CNN结构包括卷积层conv1、最大值池化层maxpool1、卷积层conv2、卷积层conv3、最大值池化层maxpool2、全连接层fc1、全连接层fc2和输出层。

5.根据权利要求4所述的基于卷积神经网络与随机森林分类的声音场景识别方法，其特征在于：所述卷积层conv1、卷积层conv2、卷积层conv3均采用无偏置和宽卷积运算，且卷积核大小均为3×3，卷积窗滑动步长为1，卷积核个数分别为32，64，64；所述最大值池化层maxpool1和最大值池化层maxpool2的池化窗大小为2×2，池化窗滑动步长为2；所述全连接层fc1和全连接层fc2神经元个数为512，输出层神经元个数为15；各层激活函数均采用修正线性单元；卷积层conv1在激活函数激活前，对该层的净激活值进行批标准化，卷积层conv2和卷积层conv3在激活函数激活前，加入l2正则化对卷积核参数本身进行惩罚；在全连接层fc1和全连接层fc2，采用0.5概率的Dropout训练策略，即在训练中随机让该层一定比例的神经元保留权重而不做输出；在输出层，全连接层产生的特征通过softmax激活得到分类的结果。