融合GMM及SVM的特定音频事件高精度识别方法
发布时间：2019-09-25 04:42
【摘要】：针对特定音频事件识别中持续时间特别短的音频事件漏检概率高、识别速度较慢的问题,提出一种融合高斯混合模型(GMM)及支持向量机(SVM)的特定音频事件识别算法.该方法利用GMM的统计分布描述能力和SVM的推广泛化能力,将GMM和SVM分别识别的结果进行融合处理,以手枪、步枪、机关枪等10类以上枪声为实验数据,无需针对每种枪声生成相应的识别模板,仅需训练生成2个识别模板.实验结果表明,识别准确率达到92.71%.该方法模板数量少,不需要多次训练,算法复杂度较低,不仅便于应用而且可大幅提升识别效率.
【图文】：
第7期罗森林等：融合GMM及SVM的特定音频事件高精度识别方法 721文献[7]中使用AdaBoost.MH算法[11],并使用最 表4不同算法的运行时间优迭代次数T=860.融合算法中GMM的高斯分 Tab.4Thetimeconsumptionofdifferentmethods布数目为M=32，SVM使用RBF函数，选取局部最 算_称 训制1司/s 识另lj_/s AdaBoost 5394.82359.57优参数C=2048和g=8，头验记录了算法的起止时 GMM&SVM5423.78189.29间?如图6所示.实验结果表明，，融合GMM和SVM混合算法10“SGMM&SVM 训练时间与AdaBoost(AdaBoost算法在弱分类器0-^1J 的选择过程中，其中的贪心算法的算法复杂度为|0.8-[1"1r|I[I oa2))相比，基本上保持不变’但是识别时间提高、7_■1II■I 了47.356%.总之，融合SVM和GMM的算法复I" 栄低，观澊栜自识}0度.
本文编号：2541244
【图文】：
第7期罗森林等：融合GMM及SVM的特定音频事件高精度识别方法 721文献[7]中使用AdaBoost.MH算法[11],并使用最 表4不同算法的运行时间优迭代次数T=860.融合算法中GMM的高斯分 Tab.4Thetimeconsumptionofdifferentmethods布数目为M=32，SVM使用RBF函数，选取局部最 算_称 训制1司/s 识另lj_/s AdaBoost 5394.82359.57优参数C=2048和g=8，头验记录了算法的起止时 GMM&SVM5423.78189.29间?如图6所示.实验结果表明，，融合GMM和SVM混合算法10“SGMM&SVM 训练时间与AdaBoost(AdaBoost算法在弱分类器0-^1J 的选择过程中，其中的贪心算法的算法复杂度为|0.8-[1"1r|I[I oa2))相比，基本上保持不变’但是识别时间提高、7_■1II■I 了47.356%.总之，融合SVM和GMM的算法复I" 栄低，观澊栜自识}0度.
本文编号：2541244
本文链接：https://www.wllwen.com/kejilunwen/wltx/2541244.html
