[发明专利]基于深度学习的声场景分类方法、系统、装置及存储介质

权利要求书

1.一种基于深度学习的声场景分类方法，其特征在于，包括：

采用双声道麦克风录制获取原始音频，对所述原始音频降频采样处理后进行分帧加窗预处理；

提取双声道音频的梅尔谱图、双声道音频的谐波打击源分离音频的梅尔谱图、单声道音频的梅尔谱图，并进行预处理；

引入批量归一化层代替Dropout层，构建VGG16卷积网络模型；

对模型训练多个完整的声场景分类模型，将该多个模型的输出结果进行集成，得到最终的分类结果；

所述采用双声道麦克风录制获取原始音频，对所述原始音频降频采样处理后进行分帧加窗预处理包括：

获取原始音频数据；

对所述原始音频数据的采样率进行向下降低采样率处理；

对降频采样得到的数据进行分帧加窗预处理；

所述提取双声道音频的梅尔谱图、双声道音频的谐波打击源分离音频的梅尔谱图、单声道音频的梅尔谱图，并进行预处理包括：

利用Mel滤波器组获得梅尔频谱图；

提取双声道音频的梅尔谱图过程中，采用HTK方法，将梅尔谱图转换为对数刻度后进行归一化处理得到双声道音频的梅尔谱图；

提取双声道音频的谐波打击源分离音频的梅尔谱图过程中，将原始音频分离为谐波打击源音频，并对分离后的谐波音频和打击源音频分别求取梅尔谱图；

获取单声道音频的梅尔谱图后与谐波打击源分离音频的梅尔谱图进行融合，形成三通道的梅尔谱图；

所述预处理包括：

不划分预处理：对特征谱不进行切割划分；

不重叠划分处理：对频谱以预设周期进行周期性划分，获取特征谱图；

重叠划分处理：对频谱以预设周期以及重叠率进行周期性划分，获取特征谱图；

三种梅尔谱图通过三种预处理获取9组不同的谱图，作为本步骤的输出数据。

2.根据权利要求1所述的基于深度学习的声场景分类方法，其特征在于，

所述对模型训练多个完整的声场景分类模型，将该多个模型的输出结果进行集成，得到最终的分类结果包括：

将9组不同的谱图作为卷积神经网络的输入数据，进入全连接层进行分类，训练9个完整的声场景分类模型；训练过程中批量大小根据预处理的类型进行预设；采用随机森林作为高层学习器，使用Stacking集成学习方法进行学习。