[发明专利]一种基于一维卷积神经网络的复杂声音识别方法

权利要求书

1.一种基于一维卷积神经网络的复杂声音识别方法，其特征在于，对复杂声音采用随机补齐算法处理，将原始数据填充至同一长度，用于一维卷积神经网络的输入；并在一维卷积神经网络的基本框架嵌入预加重模块和简化的注意力机制模块，所述预加重模块置于一维卷积神经网络的输入部分，用于对输入数据进行预加重和参与网络模型调优，所述简化的注意力机制模块置于一维卷积神经网络的深层，利用全局平均池化和sigmoid函数得到带有注意力的全局特征。

2.根据权利要求1所述的基于一维卷积神经网络的复杂声音识别方法，其特征在于，详细步骤如下：

一、原始数据处理：采用随机补齐算法对原始数据进行填充，得到裁剪随机补齐后的长度一致的原始音频，将该原始音频作为一维卷积神经网络的输入数据；

二、预加重：通过预加重模块对输入数据进行预加重，再经过一层卷积层处理；

三、一维卷积神经网络：通过一维卷积神经网络处理，得到特征向量，其中，该一维卷积神经网络结构采用了两个通道数一样的卷积层后跟一层池化层，堆叠三次，共6层卷积结构；

四、注意力机制：特征向量输入到简化的注意力机制模块中，得到带有注意力的特征；

五、输出分类：最后通过两层全连接结构和softmax分类函数输出最终的识别结果。

3.根据权利要求2所述的基于一维卷积神经网络的复杂声音识别方法，其特征在于，所述的随机补齐算法具体步骤如下：

(1)将所有样本划分成大于等于N/2秒和小于N/2秒两大类，其中样本的目标长度为N秒；

对大于等于N/2秒的样本，随机选取一个能够一次性补齐至N秒的起始点，然后截取起始点至所需的长度，最后将截取的音频段填充在原始音频的末端完成补齐；

(2)对小于N/2秒的样本，则直接复制整个样本直至长度大于等于N秒，最后再裁剪成N秒的样本。

4.根据权利要求2所述的基于一维卷积神经网络的复杂声音识别方法，其特征在于，所述预加重模块共有两层卷积结构，第一层的卷积核的初值设置为-0.97和1并不断堆叠，第二层的卷积核初值为1，进一步调整预加重系数。

5.根据权利要求4所述的基于一维卷积神经网络的复杂声音识别方法，其特征在于，预加重模块每一层的卷积核的个数设置为1。

6.根据权利要求2所述的基于一维卷积神经网络的复杂声音识别方法，其特征在于，所述简化的注意力机制是，首先使用全局平均池化将特征压缩成和通道数大小一致的一维特征，获取模型的全局特征，然后将该特征输入到sigmoid函数中得到每个通道对应的权重，最后将该权重和原全局平均池化得到的一维特征相乘得到新的全局特征，该特征就是带有注意力的特征；

注意力机制的表达式如下：

其中F为一维卷积神经网络深层的输出特征，W为权重向量，F_O为带有注意力的全局特征。