本发明涉及音频信号异常检测，具体是基于孤立森林算法的音频信号异常检测方法及处理终端。
背景技术：
1、对于音频信号异常的检测，现有技术主要有三条技术路径来实现：
2、一、基于阈值检测。这类方法通过人为设定阈值判断音频信号是否异常，当音频信号的振幅超过该阈值时，则认为异常。
3、二、基于统计模型检测。这类方法通过采集大量音频信号并进行建模，以通过建模来统计音频信号的特征，进而通过特征判断音频信号是否为异常。
4、三、基于深度学习检测。这类方法基于深度学习从大量数据中学习特征，从而基于学习到的特征判断音频信号是否为异常。
5、现有这三类技术路径下的检测方法，都还存在共同不足之处，即无法适应动态变化的音频信号下的异常检测。另外，现有的大多数方法很依赖于人工设定的规则或模型，这样难以应对复杂的音频信号异常场景。
技术实现思路
1、针对现有技术的不足，本发明的目的是提供一种基于孤立森林算法的音频信号异常检测方法及处理终端，其能够解决背景技术描述的问题。
2、实现本发明的目的的技术方案为：一种基于孤立森林算法的音频信号异常检测方法，包括以下步骤：
3、步骤1：通过采集获得音频信号；
4、步骤2：对所述音频信号进行特征提取，得到音频特征，并将提取到的音频特征生成特征向量，得到音频特征向量；
5、步骤3：将音频特征向量输入至孤立森林模型，以通过音频特征向量作为训练数据对孤立森林进行训练，训练过程中，每个音频特征向量作为数据点，孤立森林模型内设置多个决策树，决策树孤立处理数据点，并基于每个数据点的路径长度计算每个音频特征向量的异常评分，从而完成训练，得到训练后的孤立森林模型；
6、步骤4：接收待检测的目标音频信号，对目标音频信号进行特征提取，得到目标音频信号的目标音频特征，并将目标音频特征生成特征向量，得到目标音频特征向量，
7、将目标音频特征向量输入至训练后的孤立森林模型，通过孤立森林模型计算目标音频特征向量的异常评分，若评分结果超过预设阈值，则判断该目标音频特征向量所对应的目标音频信号为异常。
8、进一步地，在步骤2中，所采集到的音频信号是时域的音频信号，将时域的音频信号转换为频域音频信号，得到频域音频信号的mfcc和频谱，以及计算时域下音频信号的均值和方差，基于时域和频域的音频信号来生成特征向量，最终得到音频特征向量。
9、进一步地，在步骤1之后、步骤2之前，还包括对音频信号进行预处理，得到预处理后的音频信号，步骤2对预处理后的音频信号进行特征提取。
10、进一步地，预处理包括滤波和/或去噪，去噪包括去除背景噪音。
11、进一步地，在步骤4之后，还包括发出报警和报警处置，当判断存在异常的目标音频信号后发出报警信号，
12、当接收到报警信号后，进行报警处置，报警处置包括停止输出音频和/或触发重启操作。
13、进一步地，还包括对目标音频信号的检测结果进行记录存储，并生成可视化报告。
14、一种处理终端，其包括：
15、存储器，用于存储程序指令；
16、处理器，用于运行所述程序指令，以执行所述基于孤立森林算法的音频信号异常检测方法的步骤。
17、本发明的有益效果：本发明基于孤立森林算法的无监督学习算法，无需人工设定规则，仅需要设定用于异常评分比较的一个预设阈值，并不需要设定其他阈值。通过孤立森林算法能够自动识别和处理异常的音频信号，减少人工干预，并且实时性强，能够快速响应异常的音频信号并触发报警与报警处置。
18、其中，通过将提取音频信号特征所得到的音频特征向量输入至孤立森林算法中，基于特征进行训练，使得训练后的孤立森林算法能够自适应复杂和多变的音频信号数据，可以避免传统处理方法中因人为设定不准确而导致异常误判或漏判的问题。
1.一种基于孤立森林算法的音频信号异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于孤立森林算法的音频信号异常检测方法，其特征在于，在步骤2中，所采集到的音频信号是时域的音频信号，将时域的音频信号转换为频域音频信号，得到频域音频信号的mfcc和频谱，以及计算时域下音频信号的均值和方差，基于时域和频域的音频信号来生成特征向量，最终得到音频特征向量。
3.根据权利要求2所述的基于孤立森林算法的音频信号异常检测方法，其特征在于，在步骤1之后、步骤2之前，还包括对音频信号进行预处理，得到预处理后的音频信号，步骤2对预处理后的音频信号进行特征提取。
4.根据权利要求1或3所述的基于孤立森林算法的音频信号异常检测方法，其特征在于，预处理包括滤波和/或去噪，去噪包括去除背景噪音。
5.根据权利要求1所述的基于孤立森林算法的音频信号异常检测方法，其特征在于，在步骤4之后，还包括发出报警和报警处置，当判断存在异常的目标音频信号后发出报警信号，
6.根据权利要求5所述的基于孤立森林算法的音频信号异常检测方法，其特征在于，还包括对目标音频信号的检测结果进行记录存储，并生成可视化报告。
7.一种处理终端，其特征在于，其包括：