1.基于N‑DenseNet和高维mfcc特征的城市声音事件分类方法,其包括以下步骤:S1:采集待处理音频数据,对原始音频信号进行预处理,输出音频帧序列,所述预处理操作包括:采样与量化、预加重处理、加窗;
S2:对所述音频帧序列进行时域和频域分析,提取高维梅尔频率倒谱系数,输出特征向量序列;
所述高维梅尔频率倒谱系数的提取方案包括:(1)128mfcc + 23mfcc_d + 23mfcc_d_d(2)108mfcc + 33mfcc_d + 33mfcc_d_d(3)128mfcc
(4)108mfcc;
S3:构建声学模型,并对所述声学模型进行训练,得到训练好的声学模型;
S4: 将步骤S2中输出的所述特征向量序列经过处理后,输入到所述训练好的声学模型中进行分类识别,得到的识别结果即为声音事件的分类结果;
其特征在于:所述声学模型是以DenseNet模型为基础,结合N阶马尔可夫模型的特点构建的网络模型,即为N阶DenseNet模型;每个所述声学模型内设置多个N阶DenseBlock连接,每个所述N阶DenseBlock中层与层的连接基于N阶马尔可夫链的相关性连接,当前特征图层输出与前N个特征图层输入相关;因此,若要建立N阶DenseBlock,必须使DenseBlock中特征图层个数大于N;当所述N阶DenseNet模型中的每个所述N阶DenseBlock有j个特征图层;设从第1个所述特征图层到第j个所述特征图层的输入记作[x0, x1, x2, …, xi],从第1个所述特征图层到第j个所述特征图层的输出记作[H1, H2, H3, …, Hj];
则当N = 1的时候,Hj的表达公式为:上式中:
i = j‑1,
N、i、j为正整数;
当N > 1的时候,Hj的表达公式为:上式中:
N > 1,
i = j‑1,
N、i、j为正整数。
2.根据权利要求1所述基于N‑DenseNet和高维mfcc特征的城市声音事件分类方法,其特征在于:输入所述声学模型的所述特征向量序列先依次进行一层卷积操作和一次池化处理,然后依次输入连续的m个N阶DenseBlock中,每个所述N阶DenseBlock后面分别跟着一个TransitionLayer层;经过连续的m个所述N阶DenseBlock结构处理后,所述特征向量序列被输入全连接层进行分类处理,最后分类结果经过向量归一化处理后输出;其中m和N的取值都为正整数。
3.根据权利要求2所述基于N‑DenseNet和高维mfcc特征的城市声音事件分类方法,其特征在于:每个所述N阶DenseBlock包括依次连接的j个所述特征图层,每个所述特征图层中包括连续的2个卷积层,在所述特征图层中,输入的数据在进入卷积层进行卷积处理之前,都先进行批量标准化处理和激活函数处理;每个所述特征图层中最后一个卷积层分别与下一个卷积层通过Concatenate进行合并级联;每个所述N阶DenseBlock中的第一个特征图层与第二个特征图层之间加入一个dropout层。
4.根据权利要求2所述基于N‑DenseNet和高维mfcc特征的城市声音事件分类方法,其特征在于:所述TransitionLayer层包括一个卷积层、一个最大池化层。
5.根据权利要求2所述基于N‑DenseNet和高维mfcc特征的城市声音事件分类方法,其特征在于:经过连续的m个所述N阶DenseBlock结构处理后的所述特征向量序列被输入到全连接层之前,还需要依次进行扁平化降维处理和抑制过拟合处理。
6.根据权利要求5所述基于N‑DenseNet和高维mfcc特征的城市声音事件分类方法,其特征在于:所述扁平化降维处理是在Flatten层通过Flatten()函数将多维数据扁平化为一维数据;所述抑制过拟和处理是通过一个全连接层和一个dropout层进行操作,对网络进行参数调整和抑制过拟合。
7.根据权利要求1所述基于N‑DenseNet和高维mfcc特征的城市声音事件分类方法,其特征在于:步骤S2中获取的所述特征向量的结构为2维向量,第一维向量是对于对所述音频数据的采样后的帧数,第二维向量是所述高维梅尔频率倒谱系数的维数。
8.根据权利要求1所述基于N‑DenseNet和高维mfcc特征的城市声音事件分类方法,其特征在于:步骤S4中在所述特征向量序列输入到所述训练好的声学模型之前,需要把所述特征向量从2为向量转换为3维向量,第三维向量是所述声学模型中的通道数。
9.根据权利要求3所述基于N‑DenseNet和高维mfcc特征的城市声音事件分类方法,其特征在于:所述激活函数为Rectified Linear Unit函数,其计算公式为:;
所述向量归一化处理为通过Softmax函数进行处理,Softmax函数公式为:其中:j = 1,……,K。