|||
和导师合作的专著《声学事件检测理论与方法》终于正式出版,目前在各大网店,如京东(http://item.jd.com/10563712295.html)、淘宝、亚马逊和当当等,均有销售。
本书系统地介绍声学事件检测的相关理论与方法,以及该学科领域的新进展。内容包括声学事件检测的基本原理、一般数据规模下的声学事件检测方法、大数据情况下的声学事件检测方法等方面。在一般数据规模下检测中,重点介绍基于长时特征的检测理论与方法,内容涉及基于基频段特征的检测、基于混合模型的检测、基于稀疏低秩特征的检测,以及基于松弛边际与并行在线的模型训练方法。在大数据下的检测中,重点介绍适合大规模流式数据的快速和在线式模型训练方法,内容涉及基于SVM的加速训练、基于深度模型的加速训练、通用型在线及随机梯度下降算法,以及牛顿型随机梯度下降算法等。
虽然该书主要是是基于我的博士论文,但是我的导师韩纪庆教授为该书做了大量的工作,很多次在出差期间还在修改手稿,非常感谢导师不仅在本书上付出,还有平时对学生的谆谆教导。
该书很荣幸能够在科学出版社出版,期间责任编辑张海娜女士对我们的手稿做了认真、专业而且及其细致的校对以及编辑工作,非常感谢。在此也为她做个广告,请有意在科学出版社出书的老师和她联系。
Last but not the least, 感谢家人包括太太和孩子对我工作的支持,我爱你们。
附:将封面和目录附在本文结尾,感兴趣的读者可以阅读原书,也欢迎交流指正。
目录
前言
第1 章绪论. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 声学事件检测技术的发展. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . 1
1.1.1 声学事件检测的起源与发展脉络. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.2 基于特征的声学事件检测. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12
1.1.3 基于模型的声学事件检测. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .17
1.2 声学事件检测技术的应用. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . 20
1.3 声学事件检测系统的结构. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . 21
1.4 本书的结构. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
第2 章声学事件检测中的常用特征和模型. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . 30
2.1 声学事件检测中的常用特征. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . .30
2.1.1 声音信号的数字化. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.1.2 声音信号的时域特征. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .31
2.1.3 声音信号的频域特征. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .33
2.1.4 声音信号的时频域特征. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .41
2.1.5 特征降维与选择. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2 声学事件检测中的常用模型. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . .47
2.2.1 浅层模型. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . 47
2.2.2 深度模型. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . 53
2.3 本章小结. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
第3 章基于基频段特征的声学事件检测. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . 54
3.1 引言. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .54
3.2 长时特征提取. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2.1 长时统计特征提取. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2.2 基于基频段的特征提取. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .59
3.3 基于长时统计特征的声学事件检测. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .59
3.3.1 基于单分类器和多分类器融合的声学事件检测. . . .. . . . . . . . . . . . . . . . . . . . 60
3.3.2 基于类内细分聚类的声学事件检测. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . 61
3.3.3 基于拒识和确认的声学事件检测. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . 62
3.4 实验和结果. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.4.1 实验设置. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . 63
3.4.2 实验结果与分析. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.5 本章小结. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
第4 章基于混合模型的声学事件检测. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 69
4.1 引言. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .69
4.2 伪高斯混合模型. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . .70
4.2.1 伪高斯混合模型的构建. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .70
4.2.2 伪高斯混合模型参数估计的EM 算法. . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . .72
4.3 异质混合模型. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.3.1 多变量Logistic 混合模型的可辨识性. . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.3.2 异质混合模型的构建. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .78
4.3.3 异质混合模型的参数估计. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .79
4.4 实验和结果. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.4.1 基于伪高斯混合模型的声学事件检测. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . 82
4.4.2 基于异质混合模型的声学事件检测. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . 83
4.5 本章小结. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
第5 章基于稀疏低秩特征的声学事件检测. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . 87
5.1 引言. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .87
5.2 基于稀疏表示特征的声学事件检测. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .89
5.3 基于低秩矩阵表示特征的声学事件检测. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . 92
5.3.1 低秩矩阵表示特征提取. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .92
5.3.2 低秩矩阵分类的问题描述. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .93
5.3.3 基于加速近似梯度方法的矩阵分类学习. . . .. . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.4 基于低秩张量表示特征的声学事件检测. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . 96
5.4.1 张量计算相关记号. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.4.2 低秩张量表示特征提取. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .97
5.4.3 基于加速近似梯度方法的张量分类学习. . . .. . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.5 实验和结果. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.5.1 基于稀疏表示特征的声学事件检测. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . 102
5.5.2 基于低秩矩阵表示特征的声学事件检测. . . .. . . . . . . . . . . . . . . . . . . . . . . . . 104
5.5.3 基于低秩张量表示特征的声学事件检测. . . .. . . . . . . . . . . . . . . . . . . . . . . . . 108
5.6 本章小结. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .112
第6 章基于松弛边际下模型训练的声学事件检测. . . . . . . . . . . . . . . . . . . . . . . . . . . 113
6.1 引言. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
6.2 基于迹范限制下的最大边际矩阵分类. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . 113
6.2.1 基于迹范限制与松弛边际的矩阵分类问题描述. . . .. . . . . . . . . . . . . . . . . . .113
6.2.2 基于交替搜索方式的矩阵分类学习算法. . . .. . . . . . . . . . . . . . . . . . . . . . . . . 114
6.3 基于迹范限制下的最大边际张量分类. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . 116
6.3.1 基于迹范限制与松弛边际的张量分类问题描述. . . .. . . . . . . . . . . . . . . . . . .116
6.3.2 基于交替搜索方式的张量分类学习算法. . . .. . . . . . . . . . . . . . . . . . . . . . . . . 117
6.4 实验和结果. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
6.5 本章小结. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .122
第7 章基于在线并行模型训练的声学事件检测. . . . . . . . . . . . . . . . . . . . . . . . . . . . .123
7.1 引言. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
7.2 在线并行的矩阵数据分类学习方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . 123
7.2.1 基于加速近似梯度方法的矩阵分类在线学习. . . .. . . . . . . . . . . . . . . . . . . . .123
7.2.2 基于逼近加速近似梯度方法的在线学习. . . .. . . . . . . . . . . . . . . . . . . . . . . . . 125
7.2.3 基于小批量更新的在线学习. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . 126
7.2.4 基于并行计算加速的矩阵分类学习. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . 126
7.3 在线并行的张量数据分类学习方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . 128
7.4 实验和结果. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
7.4.1 基于在线并行学习的低秩矩阵特征分类. . . .. . . . . . . . . . . . . . . . . . . . . . . . . 131
7.4.2 基于在线并行学习的低秩张量特征分类. . . .. . . . . . . . . . . . . . . . . . . . . . . . . 133
7.5 本章小结. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .135
第8 章基于锚空间的声学事件检测. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . 136
8.1 引言. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
8.2 锚模型简介. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
8.3 基于状态变化统计量的锚空间声学事件检测. . . . . . . . . . . . . . . . . . . . . . . . . 139
8.3.1 基于状态变化统计量的锚空间生成方法. . . .. . . . . . . . . . . . . . . . . . . . . . . . . 140
8.3.2 实验与讨论. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 143
8.4 基于高斯混合模型锚空间的声学事件检测. . . . . . . . . . . . . . . . . . . . . . . . . . . 144
8.4.1 基于高斯混合模型锚空间的目标与集外锚模板的生成. . . .. . . . . . . . . . . . 144
8.4.2 基于高斯混合模型的声学事件检测机制. . . .. . . . . . . . . . . . . . . . . . . . . . . . . 146
8.5 基于稀疏分解锚空间的声学事件检测. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . 146
8.5.1 基于稀疏分解锚空间的目标与集外锚模板的生成. . . .. . . . . . . . . . . . . . . . .147
8.5.2 基于稀疏分解的声学事件检测机制. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . 148
8.5.3 实验与讨论. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 149
8.6 本章小结. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .151
第9 章面向大数据环境下声学事件检测的凸优化理论. . . . . . . . . . . . . . . . . . . . . . 152
9.1 引言. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
9.2 与声学事件检测相关的凸优化理论. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . 153
9.2.1 早期凸优化. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 154
9.2.2 凸优化基础. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 155
9.2.3 一阶方法的动机. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
9.3 光滑与非光滑的凸优化一阶方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . 157
9.3.1 光滑目标. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . 157
9.3.2 复合优化目标函数. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .160
9.3.3 近端目标. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . 161
9.4 随机化技术. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
9.5 并行和分布式计算. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . 164
9.6 本章小结. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .164
第10 章面向大数据处理的支持向量机模型的加速算法. . . . . . . . . . . . . . . . . . . . .165
10.1 随机对偶坐标上升法. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .165
10.1.1 问题描述及相关工作. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .165
10.1.2 基于对偶间隙边界的SDCA 收敛性分析. . . .. . . . . . . . . . . . . . . . . . . . . . . 167
10.2 加速近端随机对偶坐标上升法. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . 172
10.2.1 问题描述及相关工作. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .172
10.2.2 基于对偶间隙边界的Prox-SDCA 收敛性分析. . . .. . . . . . . . . . . . . . . . . . 173
10.3 本章小结. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .180
第11 章面向大数据处理的深度模型的加速算法. . . . . . . . . . . . . . . . . . . . . . . . . . . .181
11.1 引言. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 181
11.2 全梯度与随机梯度下降算法. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . 183
11.3 加速梯度算法. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. .190
11.4 指数型收敛的随机梯度下降算法. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .192
11.4.1 随机平均梯度法. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .192
11.4.2 随机方差减梯度方法. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .194
11.5 坐标梯度下降算法. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
11.6 本章小结. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .199
第12 章面向大数据的通用型在线及随机梯度下降算法. . . . . . . . . . . . . . . . . . . . .200
12.1 引言. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 200
12.2 通用在线梯度法. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .202
12.2.1 通用的在线原始梯度方法. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . 203
12.2.2 通用的在线对偶梯度方法. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . 205
12.2.3 通用的在线快速梯度方法. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . 208
12.3 通用随机梯度法. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .212
12.3.1 算法描述. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . 212
12.3.2 收敛性分析. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .212
12.4 数值实验. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .215
12.4.1 Lasso 问题. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .216
12.4.2 施泰纳问题. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .218
12.5 本章小结. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .221
第13 章面向大数据的牛顿型随机梯度下降算法. . . . . . . . . . . . . . . . . . . . . . . . . . . .223
13.1 引言. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 223
13.2 近端牛顿型随机梯度法. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
13.2.1 正则化的二次模型. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .228
13.2.2 Hessian 矩阵的近似. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
13.3 算法的收敛性分析. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
13.4 数值实验. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .234
13.5 本章小结. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .235
第14 章基于声学事件检测的行车周边声音环境感知. . . . . . . . . . . . . . . . . . . . . . . 236
14.1 引言. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 236
14.2 实验环境与基线系统. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .237
14.3 基于径向基函数神经网络噪声建模的声学事件检测. . . .. . . . . . . . . . . . .240
14.4 基于等响度曲线的声学事件检测. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .246
14.5 基于基频轨迹特征的声学事件检测. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . 250
14.6 本章小结. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .255
第15 章音频场景识别. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . 256
15.1 引言. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 256
15.2 基于高斯直方图特征的音频场景识别. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . 257
15.2.1 高斯直方图特征. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .257
15.2.2 分类模型. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . 259
15.3 基于迁移学习的音频场景识别. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . 259
15.3.1 迁移学习概述. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
15.3.2 基于样本平衡化的音频场景识别. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . 260
15.3.3 基于改进样本平衡化的音频场景识别. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . 263
15.4 实验和结果. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . 265
15.5 本章小结. . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .266
参考文献. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. .267
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-5-19 07:55
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社