基于深度卷积神经网络迁移学习特征的城市环境噪声识别

发布时间：2020-07-02 14:44

【摘要】：随着城市化建设进程的不断加快,建筑施工、交通运输、社会生活等活动会产生大量的城市噪声。城市噪声识别在噪声监控、城市声景理解和噪声源识别中起着至关重要的作用。针对传统人工设计的声学特征在城市噪声识别中识别率较低的问题,本文研究了一种高精度的城市环境噪声识别方法,主要工作和成果如下:1、提出了一种迁移特征的城市环境噪声识别方法。该方法首先通过在ImageNet数据集上预训练的深度卷积神经网络(CNN)作为特征提取器,提取出语谱图图像的深层特征;然后通过全连接层和Softmax分类器对提取出的迁移特征进行分类。本文采用 Inception-v3,ResNet152,Inception-ResNet-v2 3 种网络进行实验对比与验证。并采用特征融合的方法,进一步提高了城市环境噪声的识别精度;2、提出了采用深度信念网络(DBN)对迁移学习融合特征的识别方法。首先,比较了不同的DBN参数对于识别结果的影响,包括隐藏层节点个数、受限玻尔兹曼机(RBM)迭代次数、DBN隐藏层层数。然后根据以上实验结果,获得了基于迁移学习融合特征识别率最高的DBN模型。最后,与传统声音识别方法进行对比。实验证明,本文所提出的基于深度CNN迁移学习融合特征利用DBN分类的方法能达到98.55%的平均识别率,优于传统声音识别方法。
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;TN912.34
【图文】：

学习领域,设计灵感,机器学习,城市环境

逡逑的发展逡逑向主要是基于深度学习对城市环境声音的进行阐述。逡逑ｅｐ邋Ｌｅａｒｎｉｎｇ）的概念起源于机器学习，是在人的。深度学习的设计灵感来源于人脑视觉皮以及信息提取，来实现对目标的识别和判断。非线性映射，提取出信息最本质，抽象的高进行的，没有人工干预，因此避免了特征的工智能。逡逑００６年提出以来，特别是在Ｈｉｎｔｏｎ通过预训题后，在机器学习领域的应用研宄进入了白的发展，科研人员们设计出了许多不同的文本等领域取得了很大的成功。逡逑Ｐｅｒｃｅｐｔｉｏｎ邋＾逡逑

声信号,城市环境噪声,声音识别,基本原理

第２章声音识别与深度学习相关知识逡逑２．１城市环境噪声的识别流程逡逑城市噪声识别算法模块一般分为两个部分：特征提取与分类识别。图２．邋１为逡逑城市噪声识别算法的一般流程。特征提取部分的作用是获取声信号中能够表征其逡逑主要信息的参数，分类识别则利用提取出来的特征进行训练和建立噪声信号模型，逡逑再将测试噪声的特征与模型进行匹配识别，输出测试特征所属的噪声类别［１（）１］。逡逑声信号、Ｉ逦．邋Ｉ邋４？土灯＋日而识别１１相似性度量识别结果、逡逑逦Ｈ预处■逦特征提取￣￣＾邋（模式匹配）逦＾逡逑逦？！模式匹配库逡逑图２．１声音识别基本原理逡逑声信号特征的提取是城市环境噪声识别最重要的一部分，理想的特征能够保逡逑留声信号中重要的声学信息，对于同一类声信号的特征应当差距较小，具有相同逡逑的分布特性，而对于不同类的声信号特征具有明显的区分度。同时优秀的声信号逡逑特征应当不受噪声、环境和声音衰减等因素的影响。逡逑目前针对声信号特征提取方式主要是基于手工制作的时域，频域特征。在时逡逑域特征方面，主要是基于声信号的一些数学统计，如幅值、过零率、信号的能量逡逑等；在频域特征方面

【参考文献】