本發(fā)明涉及聲音信號(hào)處理，具體來說是一種環(huán)境聲音分類目標(biāo)模型構(gòu)建方法及系統(tǒng)。

背景技術(shù)：

1、隨著深度學(xué)習(xí)的發(fā)展，環(huán)境聲音分類也越來越受到人們的關(guān)注。環(huán)境聲音分類具體是指在復(fù)雜的聲學(xué)環(huán)境里能夠準(zhǔn)確識(shí)別出其中的環(huán)境聲音，并對(duì)識(shí)別到的環(huán)境聲音精準(zhǔn)分類。在實(shí)際生活中，人們?cè)谠S多方面也對(duì)環(huán)境聲音分類任務(wù)提出需求，如在智能家居中，通過識(shí)別不同的聲音事件(如敲門聲、玻璃破碎聲等)，可以實(shí)現(xiàn)家庭安全的自動(dòng)報(bào)警。隨著機(jī)器學(xué)習(xí)發(fā)展，目前環(huán)境聲音分類已經(jīng)超過了人類。

2、現(xiàn)有的環(huán)境聲音分類方法依賴于傳統(tǒng)的信號(hào)處理技術(shù)，如梅爾頻率倒譜系數(shù)(mfcc)等，這些方法在處理非平穩(wěn)信號(hào)時(shí)存在局限性，難以準(zhǔn)確捕捉聲音信號(hào)的瞬時(shí)特性。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)(cnn)在聲音信號(hào)處理上展現(xiàn)出巨大潛力，但現(xiàn)有方法在特征提取和模型泛化能力上仍有提升空間。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于如何在聲學(xué)環(huán)境復(fù)雜的場(chǎng)景中準(zhǔn)確識(shí)別出各類聲音。

2、本發(fā)明通過以下技術(shù)手段實(shí)現(xiàn)解決上述技術(shù)問題的：

3、環(huán)境聲音分類目標(biāo)模型構(gòu)建方法，包括以下步驟：

4、步驟1：構(gòu)建包含inception?convolution結(jié)構(gòu)的改進(jìn)resnet50模型：

5、步驟1.1：采用edo算法，根據(jù)數(shù)據(jù)確定最佳參數(shù)配置：

6、初始化預(yù)訓(xùn)練網(wǎng)絡(luò)，將其中每個(gè)卷積層均設(shè)定為包含所有可能的擴(kuò)張模式，其中卷積濾波器的權(quán)重定義為wi代表第i個(gè)卷積濾波器的權(quán)重，采樣位置定義為其中和代表第i個(gè)通道的采樣位置；

7、以為目標(biāo)函數(shù)，最小化預(yù)訓(xùn)練權(quán)重w的預(yù)期輸出和采樣膨脹權(quán)重的預(yù)期輸出之間的誤差其中采樣位置范圍為

8、步驟1.2：將inception?convolution架構(gòu)融入resnet50模型中；

9、步驟1.3：改進(jìn)resnet50模型：

10、將卷積層的卷積核大小從初始的3×3修改為(2dmax+1)×(2dmax+1)；選擇最佳膨脹模式以最小化誤差；

11、步驟1.4：通過將具有相同膨脹模式的濾波器合并，以重組濾波器；

12、步驟2：使用時(shí)頻特征圖對(duì)改進(jìn)resnet50模型進(jìn)行訓(xùn)練，得到目標(biāo)模型。

13、進(jìn)一步的，所述步驟2具體包括：

14、步驟2.1：將圖像比例調(diào)整為224x224以滿足ic-resnet的訓(xùn)練需求；

15、步驟2.2：應(yīng)用z-score標(biāo)準(zhǔn)化將像素值歸一化到指定范圍；

16、步驟2.3：使用反向傳播算法更新網(wǎng)絡(luò)權(quán)重。

17、進(jìn)一步的，所述時(shí)頻特征圖的獲取過程為：

18、獲取包括多種環(huán)境下的音頻數(shù)據(jù)，對(duì)音頻數(shù)據(jù)進(jìn)行精確標(biāo)注，然后對(duì)標(biāo)注后的音頻數(shù)據(jù)利用wigner-ville分布對(duì)聲音信號(hào)進(jìn)行時(shí)頻變換，生成時(shí)頻特征圖。

19、進(jìn)一步的，利用wigner-ville分布對(duì)聲音信號(hào)進(jìn)行時(shí)頻變換的具體過程為：

20、定義wigner-ville分布；

21、

22、對(duì)經(jīng)過預(yù)處理的音頻信號(hào)進(jìn)行希爾伯特變換，將其轉(zhuǎn)換到復(fù)數(shù)域；

23、使用wvd量化不同時(shí)間尺度上的瞬時(shí)頻率和振幅變化，捕捉聲音信號(hào)的固有非平穩(wěn)特征；

24、通過加權(quán)窗函數(shù)的方法來調(diào)整頻率成分的時(shí)頻分辨率，利用稀疏表示理論來增強(qiáng)信號(hào)的時(shí)頻特征表示，并采用時(shí)頻分布方法來改善時(shí)頻能量的集中度。

25、進(jìn)一步的，所述改進(jìn)resnet50模型通過efficient?dilation?optimization算法優(yōu)化inception?convolution結(jié)構(gòu)的膨脹模式。

26、本發(fā)明還提供一種環(huán)境聲音分類目標(biāo)模型構(gòu)建系統(tǒng)，包括：

27、改進(jìn)resnet50模型構(gòu)建模塊：構(gòu)建包含inception?convolution結(jié)構(gòu)的改進(jìn)resnet50模型：

28、步驟1.1：采用edo算法，根據(jù)數(shù)據(jù)確定最佳參數(shù)配置：

29、初始化預(yù)訓(xùn)練網(wǎng)絡(luò)，將其中每個(gè)卷積層均設(shè)定為包含所有可能的擴(kuò)張模式，其中卷積濾波器的權(quán)重定義為wi代表第i個(gè)卷積濾波器的權(quán)重，采樣位置定義為其中和代表第i個(gè)通道的采樣位置；

30、以為目標(biāo)函數(shù)，最小化預(yù)訓(xùn)練權(quán)重w的預(yù)期輸出和采樣膨脹權(quán)重的預(yù)期輸出之間的誤差其中采樣位置范圍為

31、步驟1.2：將inception?convolution架構(gòu)融入resnet50模型中；

32、步驟1.3：改進(jìn)resnet50模型：

33、將卷積層的卷積核大小從初始的3×3修改為(2dmax+1)×(2dmax+1)；選擇最佳膨脹模式以最小化誤差；

34、步驟1.4：通過將具有相同膨脹模式的濾波器合并，以重組濾波器；

35、訓(xùn)練模塊：使用時(shí)頻特征圖對(duì)改進(jìn)resnet50模型進(jìn)行訓(xùn)練，得到目標(biāo)模型。

36、進(jìn)一步的，所述訓(xùn)練模塊具體包括：

37、步驟2.1：將圖像比例調(diào)整為224x224以滿足ic-resnet的訓(xùn)練需求；

38、步驟2.2：應(yīng)用z-score標(biāo)準(zhǔn)化將像素值歸一化到指定范圍；

39、步驟2.3：使用反向傳播算法更新網(wǎng)絡(luò)權(quán)重。

40、進(jìn)一步的，所述時(shí)頻特征圖的獲取過程為：

41、獲取包括多種環(huán)境下的音頻數(shù)據(jù)，對(duì)音頻數(shù)據(jù)進(jìn)行精確標(biāo)注，然后對(duì)標(biāo)注后的音頻數(shù)據(jù)利用wigner-ville分布對(duì)聲音信號(hào)進(jìn)行時(shí)頻變換，生成時(shí)頻特征圖。

42、進(jìn)一步的，利用wigner-ville分布對(duì)聲音信號(hào)進(jìn)行時(shí)頻變換的具體過程為：

43、定義wigner-ville分布；

44、

45、對(duì)經(jīng)過預(yù)處理的音頻信號(hào)進(jìn)行希爾伯特變換，將其轉(zhuǎn)換到復(fù)數(shù)域；

46、使用wvd量化不同時(shí)間尺度上的瞬時(shí)頻率和振幅變化，捕捉聲音信號(hào)的固有非平穩(wěn)特征；

47、通過加權(quán)窗函數(shù)的方法來調(diào)整頻率成分的時(shí)頻分辨率，利用稀疏表示理論來增強(qiáng)信號(hào)的時(shí)頻特征表示，并采用時(shí)頻分布方法來改善時(shí)頻能量的集中度。

48、進(jìn)一步的，所述改進(jìn)resnet50模型通過efficient?dilation?optimization算法優(yōu)化inception?convolution結(jié)構(gòu)的膨脹模式。

49、本發(fā)明的優(yōu)點(diǎn)在于：

50、1.本發(fā)明利用wvd變換有效捕捉聲音信號(hào)的瞬時(shí)頻率和幅度變化，為聲音信號(hào)分析提供了一種新的技術(shù)手段。wvd變換能夠同時(shí)在時(shí)間和頻率兩個(gè)維度上對(duì)信號(hào)進(jìn)行分析，揭示出信號(hào)的瞬時(shí)特性，這對(duì)于理解聲音信號(hào)的復(fù)雜動(dòng)態(tài)行為至關(guān)重要。這種變換特別適合處理非線性和非平穩(wěn)信號(hào)，如語音、音樂和生物醫(yī)學(xué)信號(hào)等，可以顯著提高信號(hào)處理的準(zhǔn)確性和效率。本發(fā)明利用這一技術(shù)，可以更準(zhǔn)確地識(shí)別和分離聲音信號(hào)中的各種成分，為聲音信號(hào)的分類、識(shí)別和特征提取提供了強(qiáng)有力的技術(shù)支持。

51、2.本發(fā)明通過將inception?convolution(初始卷積法)結(jié)構(gòu)創(chuàng)新性地融入到resnet50模型中，不僅繼承了resnet50在深度學(xué)習(xí)中的高效特征學(xué)習(xí)能力，還通過inception模塊的多尺度并行卷積設(shè)計(jì)，大幅增強(qiáng)了模型對(duì)聲音信號(hào)的多維度特征表達(dá)。這種結(jié)構(gòu)的融合使得模型能夠同時(shí)捕捉到聲音信號(hào)的細(xì)微變化和宏觀趨勢(shì)，無論是快速的頻率變化還是持續(xù)的音調(diào)，都能被精確地識(shí)別和分析。此外，這種改進(jìn)還顯著提高了模型對(duì)復(fù)雜聲音環(huán)境的適應(yīng)性，即使在存在背景噪聲的情況下，也能保持較高的識(shí)別準(zhǔn)確率和穩(wěn)定性。

52、3.本發(fā)明通過優(yōu)化的算法和深度學(xué)習(xí)模型，成功實(shí)現(xiàn)了在復(fù)雜環(huán)境中對(duì)環(huán)境聲音的高準(zhǔn)確度分類。這一技術(shù)突破不僅依賴于對(duì)聲音信號(hào)的深入分析和噪聲抑制技術(shù)，還涉及到創(chuàng)新的特征提取方法和強(qiáng)大的分類器設(shè)計(jì)。通過這些綜合措施，本發(fā)明能夠在各種環(huán)境噪聲中準(zhǔn)確識(shí)別和區(qū)分不同的聲音源，極大地提升了聲音識(shí)別系統(tǒng)在實(shí)際應(yīng)用中的魯棒性和準(zhǔn)確性，為環(huán)境監(jiān)測(cè)、智能安防和人機(jī)交互等場(chǎng)景提供了一種高效、可靠的技術(shù)手段。