[发明专利]一种基于迁移学习的设备异音检测方法及系统

权利要求书

1.一种基于迁移学习的设备异音检测方法，其特征在于，包括对获取的设备录音进行提取和判断的步骤，具体包括：

步骤S101，从所述的设备录音中的至少一段音频区域提取声学特征；

步骤S102，使用源领域特征模型从所述声学特征中提取设备的声纹特征向量；

步骤S103，使用目标领域分类模型分类所述设备的声纹特征向量，判断所述设备是否是异常设备；

所述目标领域分类模型包括有监督模型和无监督模型；在有异常设备音频的情形下，目标领域分类模型采用有监督模型，在无异常设备音频的情形下，目标领域分类模型采用无监督模型；

在采用有监督模型时，目标领域分类模型的训练过程包括以下步骤：

步骤S301：获取目标领域的设备音频样本及其真实标签；

步骤S302，提取音频样本的声学特征；

步骤S303，声学特征输入到源领域特征模型中，使用源领域特征模型得到设备的声纹特征向量；

步骤S304：将设备的声纹特征向量输入到目标领域分类模型中，得到音频样本的预测标签；

步骤S305，比较音频样本的预测标签和真实标签，得到目标领域的预测误差L_{target_supervision}；

步骤S306，判断是否达到设定的第二最大迭代次数或预测误差L_{target_supervision}小于设定的第二最小误差，如果是，则训练结束，否者转到步骤S307中；

步骤S307，通过反向传播的方式更新目标领域分类模型的权重参数：

其中，β是第二学习率，W_{target_supervision}′是更新后的权重参数，W_{target_supervision}是更新前的权重参数，再执行步骤S308；

步骤S308，通过反向传播的方式更新源领域特征模型的参数：其中ε是第一学习率，W_org是更新前的参数，W_org′是更新后的参数，再返回步骤S303。

2.根据权利要求1所述的一种基于迁移学习的设备异音检测方法，其特征在于，所述声学特征包括梅尔频率倒谱系数和/或能量归一化倒谱系数。

3.根据权利要求1所述的一种基于迁移学习的设备异音检测方法，其特征在于，所述源领域特征模型的源领域是和音频识别相关的领域。

4.根据权利要求1所述的一种基于迁移学习的设备异音检测方法，其特征在于，所述源领域特征模型由深度神经网络构成，所述深度神经网络是卷积神经网络、递归神经网络和延时神经网络中的一种或者多种网络的组合。

5.根据权利要求1所述的一种基于迁移学习的设备异音检测方法，其特征在于，所述源领域特征模型通过训练获得，包括如下步骤：

步骤S201，获取源领域的音频样本及其真实标签；

步骤S202，提取音频样本的声学特征；

步骤S203，将声学特征输入到源领域特征模型中，提取设备的声纹特征向量，并得到音频样本的预测标签；

步骤S204，比较音频样本的预测标签和真实标签，并得到源领域的预测误差L_org；

步骤S205，判断是否达到设定的第一最大迭代次数或预测误差L_org小于设定的第一最小误差，如果是，则训练结束，否者转到步骤S206中；

步骤S206，通过反向传播的方式更新源领域特征模型的参数，更新方式为：其中ε是第一学习率，W_org是更新前的参数，W_org′是更新后的参数，再返回步骤S203。

6.根据权利要求1所述的一种基于迁移学习的设备异音检测方法，其特征在于，在采用无监督模型时，目标领域分类模型的训练过程包括以下步骤：

步骤S401：获取目标领域的设备音频样本；

步骤S402：提取音频样本的声学特征；

步骤S403：声学特征输入到源领域特征模型中，使用源领域特征模型得到设备的声纹特征向量；

步骤S404：采用无监督方法对S403的声纹特征向量进行建模，得到目标领域分类模型。