[发明专利]一种基于Min-Max单分类深度神经网络的城市噪声识别方法

权利要求书

1.一种基于Min-Max单分类深度神经网络的城市噪声识别方法，其特征在于包括如下步骤：

步骤1、采集城市噪声信号，对采集的噪声信号进行预处理，包括去噪、分帧、加窗，最后转换为时频图；得到训练数据集X_N×k＝[X₁，…，X_N]，其中N为所有训练样本的数量，k指代每个样本的维度；

步骤2、构建深度卷积神经网络；

步骤3、构建单分类Min-Max损失函数，训练神经网络权重、单分类超球面球心、以及决策阈值；

步骤4、计算单分类器阈值；

步骤5、对未知信号进行分类预测。

2.根据权利要求1所述的一种基于Min-Max单分类深度神经网络的城市噪声识别方法，其特征在于步骤2所述的深度卷积神经网络构建如下：

2-1、以卷积、池化、激活构成卷积块，搭建深度卷积神经网络，并采用卷积自编码器进行网络权重初始化；

每个卷积块结构一致，包含卷积层、池化层、数据归一化层，卷积块的最后与全连接层相连，网络中激活函数均采用ReLu函数；特征X经过卷积层的输出为：

y＝W*X+B (1)

其中，W为卷积的权重矩阵，B为其对应的偏置，*代表卷积操作；

2-2、定义卷积层的输出进入数据归一化函数：

其中，y为卷积层的输出，mean(y)和var(y)分别表示数据的均值和方差，eps为防止分母出现零所增加的变量；γ和β分别为缩放变量和平移变量，加入缩放变量和平移变量的原因是保证每次得到的归一化的值都符合标准正态分布；

2-3、数据归一化后的结果激活之后接入池化层，其表达式为：

Y＝f_relu(σ(y)) (4)

其中f为ReLu激活函数,其中σ为数据归一化函数；z是经过池化层输出后的多维特征，将z展平成一维的向量送入全连接层；

2-4、采用卷积自编码器，并将卷积自编码器训练好的网络权重，作为构建好的卷积神经网络每个卷积块的初始权重。

3.根据权利要求1所述的一种基于Min-Max单分类深度神经网络的城市噪声识别方法，其特征在于步骤2所述的深度卷积神经网络构建采用在ImageNet上预训练的神经网络作为框架，对预训练网络结构进行调整，删除最后一层全连接层之后的其余层，将最后一层的全连接层输出作为网络输出。

4.根据权利要求2所述的一种基于Min-Max单分类深度神经网络的城市噪声识别方法，其特征在于步骤3具体实现如下:

3-1、单分类Min-Max损失函数如下：

Min-Max损失函数通过最小化每个Batch中样本到球心最大的距离，通过距离来更新网络权重ω；其中，m是每一个Batch中的样本个数，样本总数为N；是将样本x_i映射到超球面的函数，即上一步骤中构建的网络输出；c是超球面的球心，大小为n*1的向量；

3-2、使用卷积自编码器对网络进行权重初始化，训练所有样本；c初始值取第一次前向传播后输出结果的均值，计算公式如下：

其中α_i是样本经过网络输出后得到的n*1的向量；

3-3、通过Adam优化器寻求最优网络权重ω：

训练样本X_N×k＝[X₁,…X_N]送入搭建好的神经网络，采用随机梯度下降法对网络进行训练；在每一个Batch中，计算样本经过网络的输出，即前向传播输出，随后计算其与球心之间的距离：

3-4、对每个Batch中的进行由大到小的排序，取出每个Batch中最大的距离d_max进行误差反向传播；反向传播的过程中采用Adam优化器来更新梯度；

Adam优化器的梯度更新公式为：

其中和为一阶动量和二阶动量的偏置校正项；

3-5、采用随机梯度下降法对球心进行优化，球心梯度的变化公式：

其中l为初始学习率，当损失函数收敛之后，得到神经网络的最优权重ω和优化后的球心c。