[发明专利]一种基于数据增强的声场景辨识方法

权利要求书

1.一种基于数据增强的声场景辨识方法，其特征在于，所述的声场景辨识方法包括：

S1、音频样本准备步骤，利用录音设备在不同声场景采集音频样本，并进行人工标注，然后将上述音频样本划分为训练集和测试集；

S2、预处理步骤，分别对训练集和测试集中音频样本进行预加重、分帧、加窗处理；

S3、数据增强步骤，分离各音频样本的谐波源和冲击源，再分别提取音频样本、谐波源、冲击源的对数梅尔滤波器组特征，再将上述三个对数梅尔滤波器组特征堆叠成一个三通道的高维特征，接着采用混合增强技术构造新的训练样本数据，其中，采用混合增强方法对训练数据进行数据增强过程如下：

构建新的训练样本数据

其中，(v_i,y_i)与(v_j,y_j)是从原训练数据中随机抽取的两个索引为i和j的样本，y_i与y_j是训练样本的标签，表示新训练数据，表示相应的新数据标签，表示取整运算，参数λ服从贝塔分布：

其中，α和β为形状参数，贝塔分布的均值为方差为取α＝β，u为积分变量；

S4、声场景辨识步骤，将上述各音频样本的三通道高维特征输入已训练好的Xception网络，得到各音频样本的声场景类别。

2.根据权利要求1所述的一种基于数据增强的声场景辨识方法，其特征在于，所述的S1、音频样本准备步骤过程如下：

S1.1、利用录音设备采集音频数据：在不同场景放置录音设备，记录相应场景的音频样本，其采样频率为16kHz，量化位数为16bit；

S1.2、划分数据集：将标注好的音频样本随机划分为不相交的训练集与测试集，其中训练集占比约为80％，测试集占比约为20％。

3.根据权利要求1所述的一种基于数据增强的声场景辨识方法，其特征在于，所述的S2、预处理步骤过程如下：

S2.1、预加重：利用数字滤波器对输入音频进行滤波，该滤波器的传递函数为：

H(z)＝1-az^-1，

其中a为常数，取值为0.96；

S2.2、分帧：将预加重后的音频按照帧长40ms切分成音频帧，帧移为20ms；

S2.3、加窗：采用汉明窗作为窗函数，并与各音频帧相乘实现加窗处理，窗函数ω(n)采用汉明窗：

其中，N表示帧长，取值为400。