室内多声道人类活动声音事件分类研究

目录

声明

1 绪论

1.1 声音事件监测课题背景

1.2 声音事件研究历史与现状

1.3 声音事件监测存在问题

1.4 论文主要内容的结构安排

2 声音事件识别综述

2.1 室内声音事件监测数据集简介

2.1.1 数据集采集环境

2.1.2室内声音采集设备

2.1.3室内声音事件种类

2.2 音频预处理技术

2.2.1 预加重

2.2.2 分帧

2.2.3 加窗

2.3室内音频事件识别分类任务中传统特征的提取

2.3.1 短时过零率

2.3.2 短时能量

2.3.3 短时自相关分析

2.4 声音事件传统分类器简介

2.4.1 基于高斯混合模型（GMM）识别分类方法

2.2.2 基于支持向量机(SVM)的声音事件识别方法

2.6 本章小结

3 室内条件下声音事件预处理和特征提取技术

3.1室内音频事件识别分类任务中的声音预处理

3.1.1 盲源多路输入输出脉冲响应缩短算法（blind MIMO pulse response shorting）

3.1.2 基于复高斯混合模型的最小方差无失真响应波束形成技术

3.2 室内音频事件识别分类任务中时频非线性映射特征的提取

3.2.1梅尔对数坐标倒频谱和梅尔倒频谱系数（MFCC）

3.2.2伽玛音调滤波器倒谱和伽玛音调滤波器倒谱系数（GFCC）

3.2.3小波变换 (Wavelet)

3.2.4角度谱（angular spectrogram）

3.2.4频率筛选频谱图特征（FSM-SIF）

3.3 声音事件的图谱法的引入

3.4 本章小结

4 基于卷积循环神经（CRNN）网络的室内声音事件识别算法

4.1基于深度卷积神经网络（CNN）的声音事件识别方法

4.1.1 卷积层

4.1.2 池化层

4.2 基于深度循环神经网络（RNN）的声音事件识别方法

4.2.1 循环神经网络

4.2.2 门控循环单元网络

4.2.3 双向循环神经网络

4.3 卷积循环神经（CRNN）网络

4.3.1 卷积循环神经网络的基本结构

4.3.2 卷积循环神经抗过拟合策略

4.5 结果分析

4.5.1 算法评价标准

4.5.2 传统方法与卷积循环神经网络分类性能比较

4.5.3 声学特征参数对分类系统影响分析

4.5.4 神经网络参数对分类系统影响分析

4.5.5 卷积神经网络（CNN）与卷积循环神经网络(CRNN)对分类系统影响分析

4.6 本章小结

5 总结和展望

5.1 工作总结

5.2 工作展望

致谢

参考文献

附录