[发明专利]一种声学目标事件监控方法

说明书

本发明公开了一种声学目标事件监控方法，所述方法包括：步骤1)建立样本集，所述样本集包括训练集和测试集；步骤2)构建并训练深度神经网络，所述深度神经网络为结合递归网络结构的卷积神经网络，用于提取声学信号的信号特征；步骤3)构建并训练多个任务辨识网络；步骤4)利用训练好的深度神经网络和多个任务辨识网络，对实时采集的声学信号进行目标类别辨识；步骤5)当辨识出的目标属于监控的事件范围内，根据系统设置执行监控策略。本发明的方法可以解决为智能交通、城市环境监测、特定建筑物内公共区域声学监测等应用，用于特定目标事件的发现、定位和远距离声信号获取，能够提高城市的噪声源目标监控技术水平。

技术领域

本发明涉及环境声学监测、人群语音监测、公共安全监测等领域，具体涉及一种声学目标事件监控方法。

背景技术

目前在针对多种公共或野外环境下的声学监测相关应用中，根据不同的应用目标和领域，形成了多种多样的声学信号采集处理设备或系统，比如雷声监测定位、爆炸声监测、环境噪声污染水平监测等。这些不同的监测目标通常采用不同的声学信号处理方法，比如设置不同的信号采样率、目标信号特征提取方法等。

目前通常是针对某些目标设定信号处理方法、特征提取识别方法等，搜集相应数据进行分类器训练。一旦完成之后就形成固定的目标识别分类器，难以再增加或改变所辨识目标的类型。

发明内容

本发明的目的在于克服上述问题，针对环境噪声监测应用提出了一种统一的信号特征分析提取与识别的方法，为多种采样率信号、不同目标声信号的处理与辨识提供一个统一基于深度学习的技术框架。

为了实现上述目的，本发明提出了一种声学目标事件监控方法，所述方法包括：

步骤1)建立样本集，所述样本集包括训练集和测试集；

步骤2)构建并训练深度神经网络，所述深度神经网络为结合递归网络结构的卷积神经网络，用于提取声学信号的信号特征；

步骤3)构建并训练多个任务辨识网络；

步骤4)利用训练好的深度神经网络和多个任务辨识网络，对实时采集的声学信号进行目标类别辨识；

步骤5)当辨识出的目标属于监控的事件范围内，根据系统设置执行监控策略。

作为上述方法的一种改进，所述步骤1)具体为：

采集已有的或在线监测所得到的大量声信号数据，处理后得到每个信号的傅立叶短时谱；傅立叶短时谱是多帧信号进行傅里叶变换后得到的二维频谱信息，二维分别表示时间和频率，所述样本集包括若干个样本，每个样本包括：声信号的傅立叶短时谱，声信号的标签。

作为上述方法的一种改进，所述步骤2)具体包括：

步骤201)构建深度神经网络；所述深度神经网络是一个改进卷积神经网络，是将传统的卷积神经网络结合递归网络结构，形成可利用历史信息对声信号进行特征分析提取与判别的深度神经网络；

步骤202)使用样本集进行无监督学习，优化所述深度神经网络参数：网络规模、权系数及控制参数。

作为上述方法的一种改进，所述步骤3)具体包括：

步骤301)根据不同任务场景、不同需要和不同任务目标，构建多个任务辨识网络，所述任务辨识网络使用单层或多层网络形式；

步骤302)将深度神经网络提取的样本集的每个声信号的目标特征作为多个任务辨识网络的输入，根据已知的该声学信号的标签进行反向训练，训练出多个任务辨识网络的参数。

作为上述方法的一种改进，所述步骤302)的多个任务辨识网络的输入还可以增加基于信号处理的部分参数：信号短时能量和事件持续时间。

作为上述方法的一种改进，所述步骤4)具体包括：