1.一种基于一维注意力机制卷积神经网络音频识别方法,其特征在于:包括以下步骤:S1,构建原始数据集;
下载公开的音频信号数据构建所述原始数据集;
S2, 数据预处理;
使用python代码对原始数据集中的所述音频信号进行分帧处理;
S3,建立一维注意力机制卷积神经网络;
所述一维注意力机制卷积神经网络,是将注意力机制模块集成到一维卷积神经网络中;
所述一维卷积神经网络,包括输入层、卷积层、激活函数、池化层、全连接层和Softmax层;
所述注意力机制模块,包括通道注意力机制模块和时间注意力机制模块;所述通道注意力机制模块通过将所述卷积层各通道输出的特征图的特征信息进行聚合,为各通道的特征图重新标定权重,通过不同的权重区分各通道特征图的重要性,获得所述一维卷积神经网络中重要性高的通道,抑制重要性低的通道,自适应的改变各通道特征图的权重;
所述时间注意力机制模块通过将所述卷积层各通道输出的特征图的特征信息进行聚合,以定位到和音频信号相关的时间信号段;
S4,训练一维注意力机制卷积神经网络;
将原始数据集中的音频信号按照训练集:验证集:测试集=8:1:1划分为独立的数据集;将所述训练集中的音频信号输入所述一维注意力机制卷积神经网络,选用Ranger神经网络优化器,均方对数损失函数,余弦退火学习率完成一维注意力机制卷积神经网络的训练,得到多个模型;同时通过所述验证集和所述测试集完成所述模型的验证和测试;
S5,通过集成学习将多个模型集成,形成最终的音频识别模型。
2.根据权利要求1所述的基于一维注意力机制卷积神经网络音频识别方法,其特征在于:S3步中,所述输入层用于接收所述音频信号;所述激活函数为ReLU;所述池化层采用全局平均的一维池化;所述卷积层为能够减少计算量和加快计算速度的一维卷积;所述Softmax层用于分类训练结果。
3.根据权利要求1所述的基于一维注意力机制卷积神经网络音频识别方法,其特征在于:所述S5步具体包括,从所述S4步中获得的收敛于多个不同最小值处的所述模型中,选择十个不同节点的模型,将模型参数权重保存下来,进行模型集成,形成所述最终的音频识别模型,获得更高的音频识别准确率。
4.根据权利要求1所述的基于一维注意力机制卷积神经网络音频识别方法,其特征在于:S2步中,所述分帧处理,按照帧长为1s,重叠比例为0.75,采样率为8000 Hz,进行分帧处理。