基于混合卷积神经网络模型的音频场景分类

目录

声明

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 基于特征提取的研究现状

1.2.2 基于深度学习的音频场景分类研究现状

1.2.3 目前研究存在的问题

1.3 本文研究内容

1.4 本文组织结构

2 音频场景分类理论基础

2.1 音频场景分类的基本原理

2.2 音频预处理

2.2.1 预加重

2.2.2 分帧

2.2.3 加窗

2.3 特征提取

2.3.1 梅尔声谱图

2.3.2 梅尔频率倒谱系数

2.4 实验准备

2.4.1 实验数据集

2.4.2 实验环境

2.4.3 评价指标

2.5 本章小结

3 基于CNN的音频场景分类

3.1 卷积神经网络理论基础

3.1.1 卷积层

3.1.2 池化层

3.1.3 全连接层

3.1.4 激活函数

3.1.5 正则化

3.2 基于两种音频特征提取的算法研究

3.2.1 基于梅尔声谱图提取

3.2.2 基于梅尔频率倒谱系数特征提取

3.2.3 实验结果与分析

3.3 基于CNN模型结构的改进

3.3.1 基于MFCC参数的改进

3.3.2 基于网络结构的改进

3.4 本章小结

4 基于混合卷积神经网络模型的音频场景分类

4.1 算法介绍

4.4.1 LSTM算法

4.4.2 极度梯度提升算法

4.2 基于CNN-LSTM的分类算法

4.2.1 LSTM基线模型

4.2.2 CNN-LSTM 混合模型

4.2.3 实验结果与分析

4.3 基于CNN-XGBoost 的分类算法

4.3.1 XGBoost基线模型

4.3.2 CNN-XGBoost混合模型

4.3.3 实验结果与分析

4.4 不同算法模型比较与分析

4.5 本章小结

5 总结与展望

5.1 总结

5.2 展望

参考文献

在学研究成果

致谢