【技術實現步驟摘要】
本申請涉及環境噪聲聲源類型識別，且更為具體地，涉及一種基于深度卷積神經網絡的環境噪聲聲源類型識別方法及裝置。
技術介紹
1、隨著城市化進程的加速和人們生活水平的提高，環境噪聲污染成為影響居民生活質量的重要因素之一。準確識別環境中的不同聲源不僅對于噪聲控制和環境保護具有重要意義，而且在智能交通、智能家居、智慧工地、安防監控等領域也有著廣泛的應用前景。例如，在智能交通系統中，能夠實時識別道路噪聲可以幫助交通管理部門優化交通流量；在智慧工地環境中，聲源識別技術可以用來監測異常聲音，提升施工安全性。
2、傳統的聲源識別方法主要依賴于物理模型或基于特征工程的手工設計特征。然而，基于物理模型的聲源識別方法依賴于對聲源物理特性的深入理解和建模，但實際環境中復雜的聲學條件使得這種方法的應用受到很大限制。而基于特征工程的聲源識別方法則通過手工設計特征來描述聲音信號，再利用機器學習算法進行分類。然而，這種手工設計特征的過程不僅耗時費力，且在面對復雜多變的環境噪聲時，往往缺乏足夠的表達能力。
3、近年來，隨著深度學習技術的發展，為環境噪聲的智能化識別提供了新的可能。因此，期待一種基于深度卷積神經網絡的環境噪聲聲源類型識別方法及裝置。
技術實現思路
1、本申請提供一種基于深度卷積神經網絡的環境噪聲聲源類型識別方法及裝置，其可以對環境噪聲聲源類型的快速、準確識別，進而為噪聲控制以及環境保護提供有力的技術支持，同時減少了對人工特征設計的依賴，提高了識別的準確性和效率。
2、
3、通過麥克風陣列實時采集環境噪聲數據；
4、提取所述環境噪聲數據的梅爾頻譜特征以得到環境噪聲梅爾頻譜圖像；
5、對所述環境噪聲梅爾頻譜圖像進行基于局部尺度的頻譜分析以得到環境噪聲梅爾頻譜局部語義特征編碼向量的序列；
6、對所述環境噪聲梅爾頻譜局部語義特征編碼向量的序列進行特征動態優化聚合以得到環境噪聲梅爾頻譜顯著聚合特征向量；
7、基于所述環境噪聲梅爾頻譜顯著聚合特征向量，確定環境噪聲聲源類型的識別結果。
8、第二方面，提供了一種基于深度卷積神經網絡的環境噪聲聲源類型識別裝置，包括：
9、環境噪聲數據采集模塊，用于通過麥克風陣列實時采集環境噪聲數據；
10、梅爾頻譜特征提取模塊，用于提取所述環境噪聲數據的梅爾頻譜特征以得到環境噪聲梅爾頻譜圖像；
11、環境噪聲頻譜分析模塊，用于對所述環境噪聲梅爾頻譜圖像進行基于局部尺度的頻譜分析以得到環境噪聲梅爾頻譜局部語義特征編碼向量的序列；
12、環境噪聲特征動態優化聚合模塊，用于對所述環境噪聲梅爾頻譜局部語義特征編碼向量的序列進行特征動態優化聚合以得到環境噪聲梅爾頻譜顯著聚合特征向量；
13、噪聲識別結果確定模塊，用于基于所述環境噪聲梅爾頻譜顯著聚合特征向量，確定環境噪聲聲源類型的識別結果。
14、本申請提供的一種基于深度卷積神經網絡的環境噪聲聲源類型識別方法及裝置，其通過麥克風陣列采集環境噪聲數據，并對其進行信號處理以生成環境噪聲梅爾頻譜圖像，接著，利用深度卷積神經網絡對環境噪聲數據的梅爾頻譜圖像進行細粒度的頻譜分析，以捕捉到環境噪聲的深層語義特征，從而實現對環境噪聲數據聲源類型的智能識別。通過這種方式，可以實現對環境噪聲聲源類型的快速、準確識別，進而為噪聲控制以及環境保護提供有力的技術支持，同時減少了對人工特征設計的依賴，提高了識別的準確性和效率。
本文檔來自技高網...【技術保護點】
1.一種基于深度卷積神經網絡的環境噪聲聲源類型識別方法，其特征在于，包括：
2.根據權利要求1所述的基于深度卷積神經網絡的環境噪聲聲源類型識別方法，其特征在于，對所述環境噪聲梅爾頻譜圖像進行基于局部尺度的頻譜分析以得到環境噪聲梅爾頻譜局部語義特征編碼向量的序列，包括：
3.根據權利要求2所述的基于深度卷積神經網絡的環境噪聲聲源類型識別方法，其特征在于，對所述環境噪聲梅爾頻譜局部語義特征編碼向量的序列進行特征動態優化聚合以得到環境噪聲梅爾頻譜顯著聚合特征向量，包括：
4.根據權利要求3所述的基于深度卷積神經網絡的環境噪聲聲源類型識別方法，其特征在于，基于所述環境噪聲梅爾頻譜局部語義特征編碼向量的序列的特征靜態勢能分布，計算環境噪聲梅爾頻譜局部語義偽錨定聚合中心表示向量，包括：
5.根據權利要求4所述的基于深度卷積神經網絡的環境噪聲聲源類型識別方法，其特征在于，基于所述環境噪聲梅爾頻譜局部語義特征編碼向量的序列中的各個環境噪聲梅爾頻譜局部語義特征編碼向量相對于所述環境噪聲梅爾頻譜局部語義偽錨定聚合中心表示向量的聚合運動方向，對所述環境噪
6.根據權利要求5所述的基于深度卷積神經網絡的環境噪聲聲源類型識別方法，其特征在于，所述環境噪聲梅爾頻譜局部語義聚合運行方向為所述環境噪聲梅爾頻譜局部語義特征編碼向量和所述環境噪聲梅爾頻譜局部語義偽錨定聚合中心表示向量之間的反余弦函數值。
7.根據權利要求6所述的基于深度卷積神經網絡的環境噪聲聲源類型識別方法，其特征在于，基于所述環境噪聲梅爾頻譜顯著聚合特征向量，確定環境噪聲聲源類型的識別結果，包括：
8.根據權利要求7所述的基于深度卷積神經網絡的環境噪聲聲源類型識別方法，其特征在于，將所述環境噪聲梅爾頻譜顯著聚合特征向量輸入基于分類器的環境噪聲聲源類型識別模塊以得到所述識別結果，所述識別結果用于表示所述環境噪聲數據的聲源類型標簽，包括：
9.一種基于深度卷積神經網絡的環境噪聲聲源類型識別裝置，其能夠實現如權利要求1-8任一項所述的基于深度卷積神經網絡的環境噪聲聲源類型識別方法，其特征在于，所述基于深度卷積神經網絡的環境噪聲聲源類型識別裝置，包括：
10.根據權利要求9所述的基于深度卷積神經網絡的環境噪聲聲源類型識別裝置，其特征在于，所述環境噪聲頻譜分析模塊，包括：
...【技術特征摘要】
1.一種基于深度卷積神經網絡的環境噪聲聲源類型識別方法，其特征在于，包括：
2.根據權利要求1所述的基于深度卷積神經網絡的環境噪聲聲源類型識別方法，其特征在于，對所述環境噪聲梅爾頻譜圖像進行基于局部尺度的頻譜分析以得到環境噪聲梅爾頻譜局部語義特征編碼向量的序列，包括：
3.根據權利要求2所述的基于深度卷積神經網絡的環境噪聲聲源類型識別方法，其特征在于，對所述環境噪聲梅爾頻譜局部語義特征編碼向量的序列進行特征動態優化聚合以得到環境噪聲梅爾頻譜顯著聚合特征向量，包括：
4.根據權利要求3所述的基于深度卷積神經網絡的環境噪聲聲源類型識別方法，其特征在于，基于所述環境噪聲梅爾頻譜局部語義特征編碼向量的序列的特征靜態勢能分布，計算環境噪聲梅爾頻譜局部語義偽錨定聚合中心表示向量，包括：
5.根據權利要求4所述的基于深度卷積神經網絡的環境噪聲聲源類型識別方法，其特征在于，基于所述環境噪聲梅爾頻譜局部語義特征編碼向量的序列中的各個環境噪聲梅爾頻譜局部語義特征編碼向量相對于所述環境噪聲梅爾頻譜局部語義偽錨定聚合中心表示向量的聚合運動方向，對所述環境噪聲梅爾頻譜局部語義特征編碼向量的序列進行動態聚合以得到所述環境噪聲梅爾頻譜...
【專利技術屬性】
技術研發人員：何珊，張志凱，袁芳，許美平，程明君，熊文波，李堅，陳更新，裘劍敏，桑帥軍，姚馨博，
申請(專利權)人：浙江省質量科學研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。