基于卷积神经网络与随机森林分类的声音场景识别方法与流程

技术特征：

1.一种基于卷积神经网络与随机森林分类的声音场景识别方法，其特征在于：首先，声音场景通过Mel滤波器生成Mel能量谱及其片段样本集；然后，利用片段样本集对CNN进行两阶段训练，截断全连接层的特征输出，得到片段样本集的CNN特征；最后，用随机森林对片段样本集的CNN特征进行分类，得到最终识别结果。

2.根据权利要求1所述的基于卷积神经网络与随机森林分类的声音场景识别方法，其特征在于：所述声音场景通过Mel滤波器生成Mel能量谱及其片段样本集，即通过对各种不同长度的场景声音样本提取Mel能量谱，通过分片采样，得到大小一致的Mel能量谱片段作为CNN模型的训练样本。

3.根据权利要求1或2所述的基于卷积神经网络与随机森林分类的声音场景识别方法，其特征在于：所述声音场景通过Mel滤波器生成Mel能量谱及其片段样本集的具体实现方式如下，

步骤S1、场景声音信号s(n)经过短时傅里叶变换得到短时幅度谱|S(t,f)|

其中，t为帧索引，f为频率，w(n)为分析窗函数；

步骤S2、由短时幅度谱|S(t,f)|得到信号s(n)的能量密度函数P(t,f)

P(t,f)＝S(t,f)×conj(S(t,f))＝|S(t,f)|² (2)

其中，conj为求共轭复数函数；

步骤S3、使用Mel滤波器组对能量密度函数P(t,f)进行滤波得到Mel滤波后的能量密度函数

其中，N表示Mel滤波器组由N个三角带通滤波器构成，Bm[k]表示中心频率为fm且响应频率范围为(fm-1,fm+1)的三角带通滤波器的频率响应函数；Bm[k]可以由下式表示：

其中，Mel滤波器的中心频率fm可通过对应的时域频率f得到；

步骤S4、Mel滤波后的能量密度函数通过规范化log尺度得到Mel能量谱Pmel(t,f)

步骤S5、对产生的Mel能量谱Pmel(t,f)进行分片采样，即采用滑动窗口取得Mel能量谱的片段；

通过上述的过程，将场景声音的时域信号转化为时频域的二维图谱，即Mel能量谱及能量谱片段。

4.根据权利要求3所述的基于卷积神经网络与随机森林分类的声音场景识别方法，其特征在于：所述CNN结构包括卷积层conv1、最大值池化层maxpool1、卷积层conv2、卷积层conv3、最大值池化层maxpool2、全连接层fc1、全连接层fc2和输出层。

5.根据权利要求4所述的基于卷积神经网络与随机森林分类的声音场景识别方法，其特征在于：所述卷积层conv1、卷积层conv2、卷积层conv3均采用无偏置和宽卷积运算，且卷积核大小均为3×3，卷积窗滑动步长为1，卷积核个数分别为32，64，64；所述最大值池化层maxpool1和最大值池化层maxpool2的池化窗大小为2×2，池化窗滑动步长为2；所述全连接层fc1和全连接层fc2神经元个数为512，输出层神经元个数为15；各层激活函数均采用修正线性单元；卷积层conv1在激活函数激活前，对该层的净激活值进行批标准化，卷积层conv2和卷积层conv3在激活函数激活前，加入l2正则化对卷积核参数本身进行惩罚；在全连接层fc1和全连接层fc2，采用0.5概率的Dropout训练策略，即在训练中随机让该层一定比例的神经元保留权重而不做输出；在输出层，全连接层产生的特征通过softmax激活得到分类的结果。

6.根据权利要求3至5任一所述的基于卷积神经网络与随机森林分类的声音场景识别方法，其特征在于：所述利用片段样本集对CNN进行两阶段训练，截断全连接层的特征输出，得到片段样本集的CNN特征的具体实现过程如下，

第一阶段：

将片段样本集划分成4种不同训练与测试子集的方案，即分别采用4种不同训练与测试子集的3/4做训练子集，1/4做验证子集；采用EarlyStopping策略，即每对CNN权重训练一次，就用验证子集进行一次验证，若识别率连续5次下滑则停止训练，并保存对验证子集识别率最高的权重，最后获得4组CNN的权重；选择4组中对验证子集识别率最高的权重作为第一阶段的训练结果；

第二阶段：

载入第一阶段的权重，然后对所有片段样本集进行训练；对整个片段样本集的损失值使用学习率调整与EarlyStopping相结合的策略，即，比较每次训练的损失值，并保存损失值最低时的CNN权重；若损失值未连续5次下降，则学习率减小一半；若损失值连续5次上升则停止训练；

根据第二阶段训练获得的CNN权重，构建CNN模型；其中，卷积层conv1到池化层maxpool2实现Mel能量谱的特征映射，全连接层fc1和fc2对特征映射进行降维；因此，通过截断全连接层的相关输出，获得CNN中间特征。

7.根据权利要求6所述的基于卷积神经网络与随机森林分类的声音场景识别方法，其特征在于：所述用随机森林对片段样本集的CNN特征进行分类，得到最终识别结果的具体实现方式如下，

首先，将场景声音训练样本的CNN中间特征集作为RF的训练样本，通过自助重采样作为构建决策树样本集；接着，在构建决策树阶段，通过每次组合的特征子集来构建分类回归树；经过N次的特征组合和自助重采样，生成N棵CART形成RF；在识别场景声音样本时，先抽取待测声音样本的CNN中间特征，统计每棵CART对该样本特征的预测结果并进行投票，得到最终的识别结果。