基于多频段谱减法的鲁棒性生态环境声音识别

论文摘要

随着科技的进步、社会的发展,与人类生存密切相关的生态环境越来越受到人们的关注。在生态环境中各种生物发出不同的声音,这些声音包含丰富的信息,与各种生物的生存环境、活动规律、以及人类的活动密切相关。因此研究生态环境声音的识别技术,对保护生态环境有着重要的意义。然而在实际的生态声音识别问题中,往往会遇到各种不可预测的噪声干扰,所以噪声情境下的生态环境声音识别研究更具有实际的应用价值。鉴于此,本文重点研究低信噪比非平稳噪声环境下的生态声音识别,提出一种基于多频段谱减的鲁棒性生态环境声音识别方法。研究内容主要分为以下四个部分：1)特征提取和特征筛选：首先,提取多种不同的生态环境声音特征数据；其次,分别以每种特征作为训练样本基于相同分类器建立分类模型；最后,从特征区分性能和抗噪性能考虑,比较分析不同声音特征的分类识别效果,保留识别效果较好的特征构成特征集合。2)维数约简：经过特征提取和特征筛选之后,获得的特征数据是一个高维向量。为了能降低数据处理的复杂度的同时保持数据内在几何性质,本文利用以多尺度变换为基础的等距离映射算法进行降维处理。3)谱减降噪：真实的生态环境声音识别中,会遇到各种类型的噪声情况。为了降低噪声干扰,本文将自适应平滑功率谱估计和多频段谱减法相结合,提出了一个适用于非平稳环境噪声的声音增强方法,以实现对低信噪比生态环境声音的前端去噪处理。4)两级声音识别算法：综合考虑支持向量机算法对解决小样本、非线性及高维模型的问题具有其独特的优势,以及GMM聚类能力强的特点。文中使用SVM作为一级分类器,进行粗分类；GMM作为第二级分类器,对上一级的输出进行确认和调整,得到最终识别结果,构成SVM GMM两级分类系统。通过本文的研究,我们能够对低信噪比环境下生态声音进行有效识别,可以为进一步研究其他类型的声音提供一定的参考。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 研究现状
• 1.2.1 特征提取技术
• 1.2.2 生态环境声音分类
• 1.3 本文主要工作
• 1.3.1 本研究内容和创新
• 1.3.2 本文的组织结构
• 第二章 预处理和特征提取
• 2.1 数字化和预处理
• 2.1.1 采样量化
• 2.1.2 预加重
• 2.1.3 分帧加窗处理
• 2.2 声音信号特征分析
• 2.2.1 傅里叶变换分析
• 2.2.2 Mel频率倒谱系数
• 2.2.3 谱能量变化加权特征矢量
• 2.2.4 音调特征
• 2.2.5 其他常用的声音特征
• 2.3 维数约简
• 2.3.1 线性降维
• 2.3.2 非线性降维
• 2.4 小结
• 第三章 低信噪比环境下的抗噪研究
• 3.1 功率谱估计
• 3.1.1 直接周期图法功率谱估计
• 3.1.2 Bartlett法功率谱估计（BAP）
• 3.1.3 自适应平滑周期图法功率谱估计（AAP）
• 3.2 多频带谱减法
• 3.2.1 谱减原理
• 3.2.2 谱减法实现
• 3.3 算法性能测试
• 第四章 高斯混合模型
• 4.1 高斯混合模型基本原理
• 4.2 高斯混合模型的训练
• 4.3 EM算法
• 4.3.1 EM算法原理
• 4.3.2 GMM参数估计
• 4.4 GMM分类器的设计
• 第五章 基于支持向量机的生态声音分类算法
• 5.1 统计学理论的核心内容
• 5.1.1 VC维
• 5.1.2 泛化能力的界
• 5.1.3 结构风险最小化
• 5.2 支持向量机
• 5.2.1 线性可分情况下
• 5.2.2 线性不可分的情况
• 5.3 非线性参数分析
• 5.4 SVM算法流程
• 第六章 实验与结果分析
• 6.1 基于SVM和GMM结合的二级分类模型
• 6.2 特征筛选
• 6.3 具有抗噪性能的分类系统
• 6.4 噪声情境分析
• 6.5 小结
• 总结与展望
• 参考文献
• 致谢
• 个人简历、在校期间发表的学术论文