1.一种基于时序超矢量表示学习的端到端录音设备源识别方法,其特征在于,所述基于时序超矢量表示学习的端到端录音设备源识别方法包括:按时序分帧提取数字音频中的梅尔倒谱系数作为设备源特征,再划分为时序特征片段分别提取高斯均值矩阵,得到时序高斯均值矩阵(Sequential Gaussian Mean Matrix,SGMM)特征;
利用卷积神经网络对时序高斯均值矩阵特征进行深度表示学习,提取深度瓶颈特征;
通过双向长短期记忆神经网络提取深度时序瓶颈特征中的时域特性,进行录音设备源的识别分类。
2.如权利要求1所述基于时序超矢量表示学习的端到端录音设备源识别方法,其特征在于,所述基于时序超矢量表示学习的端到端录音设备源识别方法包括以下步骤:步骤一,提取录音设备源信号中的梅尔倒谱系数MFCC特征,并将每条音频数据保留相同帧数的MFCC特征;
步骤二,利用MFCC特征训练建立高斯混合通用背景模型即GMM‑UBM模型,将MFCC特征分段后由GMM‑UBM模型提取时序高斯均值矩阵;
步骤三,利用构建的卷积神经网络进行深度表示学习,从时序高斯均值矩阵提取深度瓶颈特征,并保留时序高斯均值矩阵特征的时序结构;
步骤四,进行设备源识别网络时序建模,构建基于双向长短期记忆神经网络的分类模型,利用所述分类模型基于提取的深度瓶颈特征进行录音设备源的识别分类。
3.如权利要求2所述基于时序超矢量表示学习的端到端录音设备源识别方法,其特征在于,所述提取录音设备源信号中的梅尔倒谱系数MFCC特征,并将每条音频数据保留相同帧数的MFCC特征包括:
对录音设备源信号分帧加窗进行预处理;对录音设备源信号进行快速傅里叶变换,并利用一组Mel尺度的三角滤波器组将得到的幅值谱信号进行Mel滤波;
计算每个滤波器组输出的对数幅度谱,并进行离散余弦变换得到MFCC特征,每条录音数据保留前n帧的MFCC特征。
4.如权利要求3所述基于时序超矢量表示学习的端到端录音设备源识别方法,其特征在于,所述对录音设备源信号分帧加窗进行预处理包括:帧长取256ms,并以帧长的1/2作为帧移,使用汉明窗函数进行加窗。
5.如权利要求2所述基于时序超矢量表示学习的端到端录音设备源识别方法,其特征在于,步骤二中,所述利用MFCC特征训练建立高斯混合通用背景模型即GMM‑UBM模型,将MFCC特征分段后由GMM‑UBM模型提取时序高斯均值矩阵包括:利用多种录音设备的录音数据训练一个高斯数为n的对角协方差通用背景模型即UBM模型,得到n个高斯混合的权重系数矩阵、均值矩阵和协方差矩阵;利用最大后验估计算法针对训练数据中的每个设备的特征向量,对通用背景模型自适应得到特定设备源的GMM模型;
将提取到的MFCC特征均切分为t个连续特征片段,由GMM‑UBM模型提取GMM的均值矩阵,将每个GMM的n个均值矩阵依次连接为总长度为n×输入MFCC维度的均值矩阵,即时序高斯均值矩阵特征。
6.如权利要求2所述基于时序超矢量表示学习的端到端录音设备源识别方法,其特征在于,步骤三中,所述利用构建的卷积神经网络进行深度表示学习,从时序高斯均值矩阵提取深度瓶颈特征,并保留时序高斯均值矩阵特征的时序结构包括:构建卷积神经网络进行深度表示学习,利用高斯均值矩阵特征训练网络模型并测试;
将训练好的卷积神经网络模型进行深度瓶颈特征的提取,并以高斯均值矩阵特征的时序结构形式保存。
7.如权利要求6所述基于时序超矢量表示学习的端到端录音设备源识别方法,其特征在于,所述利用构建的卷积神经网络进行深度表示学习,从时序高斯均值矩阵提取深度瓶颈特征,并保留时序高斯均值矩阵特征的时序结构还包括:利用带标签的训练集对深度神经网络进行有监督的训练,构建基于输入特征的表征模型;在表征模型的基础上选取合适层的激活值作为深度瓶颈特征;
具体步骤如下:
将得到的一维特征向量展开为二维特征图,使用卷积神经网络提取频域特征信息,将获取到的SGMM特征输入到构建的卷积神经网络中,每个录音设备源数据样本的输入形式为
80个按时序排列的12*16尺寸大小的特征矩阵,其中12表示MFCC特征维数,16表示GMM模型的高斯数;
通过卷积核在输入特征上经过卷积操作得到相关特征信息,在训练好卷积神经网络模型后,将训练集与测试集数据输入到训练好的卷积神经网络模型,以瓶颈层的激活值作为输出并按时序保存。
8.如权利要求2所述基于时序超矢量表示学习的端到端录音设备源识别方法,其特征在于,所述基于双向长短期记忆神经网络的分类模型包括两层BiLSTM层、Flatten处理层以及Softmax分类器;
每层BiLSTM层含有128个单元;
Flatten处理层,用于将特征向量变为一维特征;
Softmax分类器,用于基于所述一维特征进行判决。
9.一种实施如权利要求1‑8任意一项所述基于时序超矢量表示学习的端到端录音设备源识别方法的基于时序超矢量表示学习的端到端录音设备源识别系统,其特征在于,所述基于时序超矢量表示学习的端到端录音设备源识别系统包括:MFCC特征提取模块,用于提取训练和识别过程中录音设备源数据的录音设备源特征信息;
GMM‑UBM模型建立模块,用于构建录音设备源识别的通用背景模型,并通过MAP自适应得到每个目标设备源的GMM模型;
SGMM特征提取模块,用于按时序提取目标设备录音数据的高斯均值矩阵;
卷积神经网络模块,用于训练卷积神经网络并提取深度瓶颈特征;
循环神经网络模块,用于将提取到的时序瓶颈特征训练BiLSTM网络,进行自动识别分类。
10.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求
1‑8任意一项所述基于时序超矢量表示学习的端到端录音设备源识别方法。