[发明专利]一种联合优化深层变换特征与聚类过程的声场景聚类方法

权利要求书

1.一种联合优化深层变换特征与聚类过程的声场景聚类方法，其特征在于，所述的声场景聚类方法包括如下步骤：

S1、提取对数梅尔谱特征：对各类声场景的样本进行预加重、分帧、加窗，然后分别提取每一音频帧的对数梅尔谱特征；

S2、初始化各类及卷积神经网络：将每个样本作为一个初始类，初始化生成一个卷积神经网络用于提取深层变换特征；

S3、更新卷积神经网络，提取新的深层变换特征：根据类标签及各类样本更新卷积神经网络参数，并用更新后的卷积神经网络提取各类样本的深层变换特征；

其中，所述的步骤S3中更新卷积神经网络，提取新的深层变换特征的过程如下：

将提取的声学特征输入该网络，得到新的深层变换特征；经过一定次数的聚类更新类标签之后，根据损失函数与更新的类标签，采用反向传播算法更新网络参数，使网络所提取的深层变换特征更具区分性，从而得到更优的聚类结果；所述的损失函数公式如下：

表示当前第t类，表示与距离最近的类，K_c是一个表示类别数的常数，表示除外的其他相邻类，A(·)是一个计算类间相似度的函数，表示第p阶段的迭代次数；

S4、合并最相似的两个类：采用凝聚分层聚类算法将相似度最大的两个类合并在一起，得到新的类标签和各类样本，类数减一；

S5、聚类收敛判决：如果当前类数等于真实类数，则停止聚类，得到联合优化的声场景聚类结果和卷积神经网络，否则跳到步骤S3。

2.根据权利要求1所述的一种联合优化深层变换特征与聚类过程的声场景聚类方法，其特征在于，所述的步骤S1中提取对数梅尔谱特征包括以下步骤：

S1.1、音频数据采集与标注：在不同的场景采集音频数据流，然后将每一个音频数据流分割成一定长度的音频段，三人或三人以上对音频段进行人工标注，对于存在异议的音频段标注，按照少数服从多数的原则确定最终的标签；

S1.2、预加重：设置数字滤波器的传递函数为H(z)＝1-αz^-1，其中α为一个系数且取值为：0.9≤α≤1，读入的音频段通过该数字滤波器后实现预加重；

S1.3、分帧、加窗：

S1.3.1、对音频段进行分帧与加窗，帧长和帧移所对应的采样点个数分别为N＝0.025×f_s和S＝0.01×f_s，其中f_s为采样频率，将读入的音频段切分成音频帧s′_t(n)，1≤t≤T，1≤n≤N，其中T和N分别表示帧数和每帧的采样点数；

S1.3.2、采用汉明窗作为窗函数ω(n)：

S1.3.3、将每帧音频信号s′_t(n)与汉明窗ω(n)相乘得到加窗后的音频信号s_t(n)：

s_t(n)＝ω(n)×s′_t(n)n＝0,1,...,N-1,t＝1,2,...,T；

S1.4、提取对数频谱特征：

S1.4.1、对第t帧音频信号s_t(n)做离散傅立叶变换得到线性频谱X_t(k)：

S1.4.2、将上述线性频谱X_t(k)通过梅尔频率滤波器组得到梅尔频谱，再进行对数运算得到对数频谱S_t(m)，其中梅尔频率滤波器组为若干个带通滤波器H_m(k)，0≤m＜M，M为滤波器的个数，每个滤波器具有三角形滤波特性，其中心频率为f(m)，每个带通滤波器的传递函数为：

其中，0≤m＜M，f(m)定义如下：

其中，f_l、f_h为滤波器的最低频率和最高频率，B^-1为B的逆函数：

B^-1(b)＝700(e^b/1125-1)，

因此由线性频谱X_t(k)到对数频谱S_t(m)的变换为：

S1.4.3、对每帧音频信号重复步骤S1.3.1)～S1.4.2)，得到所有音频帧的上述对数频谱S_t(m)特征，将它们按帧的顺序组合成一个特征矩阵。