【摘要】：近年來,生態(tài)環(huán)境的保護(hù)受到越來越廣泛的關(guān)注,通過對(duì)自然環(huán)境中包含的音頻信息進(jìn)行分析和辨識(shí),可以為環(huán)境監(jiān)測(cè),物種勘察等應(yīng)用提供數(shù)據(jù)支持,對(duì)于保護(hù)自然環(huán)境,了解生態(tài)現(xiàn)狀都具有重要意義。針對(duì)實(shí)際環(huán)境中復(fù)雜多變的背景噪聲干擾分類識(shí)別的問題,本文提出了優(yōu)化的匹配追蹤(MP)信號(hào)分解方法和新型的多頻帶信號(hào)重構(gòu)方法用于生態(tài)聲音信號(hào)重構(gòu),并重點(diǎn)研究了低信噪比場景下魯棒的生態(tài)聲音識(shí)別框架。本文的研究工作主要包括以下幾個(gè)方面：1)優(yōu)化的信號(hào)稀疏分解。針對(duì)信號(hào)分解計(jì)算量較大的問題,提出基于螢火蟲算法(GSO)優(yōu)化的正交匹配追蹤(OMP)。相比于MP算法,OMP算法的改進(jìn)之處在于提高了收斂速度,缺點(diǎn)在于搜索原子字典和原子正交化操作帶來的計(jì)算量較大。本文利用GSO算法優(yōu)化最優(yōu)原子搜索的過程,實(shí)現(xiàn)OMP快速稀疏分解。2)抗噪的信號(hào)重構(gòu)。針對(duì)噪聲環(huán)境下的信號(hào)稀疏重構(gòu)無法有效去除噪聲成分的缺點(diǎn),提出OMP稀疏重構(gòu)和多頻帶重構(gòu)結(jié)合的兩層信號(hào)重構(gòu)方法。第一層,使用OMP稀疏分解作第一階段重構(gòu),保留前景聲音的主體結(jié)構(gòu)。第二層,將前階段分解的剩余分量按頻帶劃分,根據(jù)前景聲音和背景噪聲的頻率分布,對(duì)重構(gòu)信號(hào)進(jìn)行增益補(bǔ)償,完成第二階段重構(gòu)。通過兩層信號(hào)重構(gòu)的方法能夠有效地自適應(yīng)去除非平穩(wěn)的環(huán)境噪聲,提高了對(duì)前景聲音的重構(gòu)精度。3)復(fù)合特征提取和基于深信度網(wǎng)(DBN)的分類識(shí)別框架。根據(jù)對(duì)生態(tài)聲音的時(shí)頻分布,從時(shí)域、頻域和時(shí)一頻域提取多種特征集構(gòu)造復(fù)合特征,能夠較好的保留時(shí)域和頻域信息,并彌補(bǔ)了常用的Mel頻率倒譜系數(shù)(MFCC)抗噪性能不足的缺點(diǎn)。構(gòu)建不同深度配置的DBN分類器,基于上述特征建立分類模型,實(shí)現(xiàn)對(duì)生態(tài)聲音的識(shí)別。本文利用實(shí)地采集的鳥叫聲、動(dòng)物叫聲和昆蟲叫聲共3類60種聲音樣本集構(gòu)建生態(tài)聲音庫,通過將大自然聲音按不同信噪比混入純凈測(cè)試數(shù)據(jù)以模擬真實(shí)環(huán)境下的生態(tài)場景。使用兩層信號(hào)重構(gòu)的方法對(duì)聲音進(jìn)行重構(gòu)從而達(dá)到去噪的目的。接著,使用基于DBN的聲音識(shí)別框架進(jìn)行不同場景和信噪比情況下的對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)表明,基于OMP稀疏重構(gòu)和多頻帶重構(gòu)結(jié)合的兩層信號(hào)重構(gòu)方法能夠有效地抑制噪聲,從而提高識(shí)別框架的抗噪性和穩(wěn)定性。與現(xiàn)有生態(tài)聲音識(shí)別方法相比,本文提出的識(shí)別框架對(duì)生態(tài)聲音在不同信噪比下的識(shí)別性能有不同程度的改善并且具有較好魯棒性,適合低信噪比噪聲情境下使用。
[Abstract]:In recent years, more and more attention has been paid to the protection of ecological environment. Through the analysis and identification of audio information contained in the natural environment, it can provide data support for environmental monitoring, species survey and other applications. It is of great significance to protect the natural environment and understand the ecological situation. In order to solve the problem of classification and recognition of complex and changeable background noise interference in real environment, this paper proposes an optimized matching tracking (MP) signal decomposition method and a new multi-band signal reconstruction method for ecological sound signal reconstruction, and focuses on the robust ecological sound recognition framework in low signal-to-noise ratio (SNR) scenarios. The research work of this paper mainly includes the following aspects: 1) optimized sparse decomposition of signals. In order to solve the problem of large computational complexity of signal decomposition, an orthogonal matching tracking (OMP). Based on firefly algorithm (GSO) optimization is proposed. Compared with the MP algorithm, the improvement of the OMP algorithm lies in the improvement of the convergence speed, but the disadvantage is that the search atomic dictionary and the atomic orthogonal operation bring a large amount of computation. In this paper, GSO algorithm is used to optimize the process of optimal atomic search, and the fast sparse decomposition of OMP is realized. 2) signal reconstruction of anti-noise. In order to solve the problem that signal sparse reconstruction in noisy environment can not effectively remove noise components, a two-layer signal reconstruction method based on OMP sparse reconstruction and multi-band reconstruction is proposed. In the first layer, OMP sparse decomposition is used to reconstruct the first stage, and the main structure of foreground sound is preserved. In the second layer, the residual components decomposed in the previous stage are divided into frequency bands. According to the frequency distribution of foreground sound and background noise, the gain compensation of the reconstructed signal is carried out, and the second stage reconstruction is completed. The two-layer signal reconstruction method can effectively adaptively remove the non-stationary environmental noise and improve the reconstruction accuracy of foreground sound. 3) Composite feature extraction and classification and recognition framework based on deep reliability network (DBN). According to the time-frequency distribution of ecological sound, a variety of feature sets are extracted from time domain, frequency domain and time-frequency domain to construct composite features, which can preserve the time domain and frequency domain information well, and make up for the shortcomings of the common Mel frequency cepstrum coefficient (MFCC) anti-noise performance. The DBN classifiers with different depth configurations are constructed, and the classification model is established based on the above features to realize the recognition of ecological sound. In this paper, the ecological sound database is constructed by using the 60 kinds of sound samples of bird call, animal call and insect call collected in the field, and the ecological scene in the real environment is simulated by mixing the natural sound into the pure test data according to the different signal-to-noise ratio (SNR). The two-layer signal reconstruction method is used to reconstruct the sound so as to achieve the purpose of denoising. Then, the voice recognition framework based on DBN is used to carry out the comparative experiments under different scenarios and signal-to-noise ratio (SNR). The experimental results show that the two-layer signal reconstruction method based on OMP sparse reconstruction and multi-band reconstruction can effectively suppress noise, thus improving the anti-noise and stability of the recognition framework. Compared with the existing ecological sound recognition methods, the recognition framework proposed in this paper improves the recognition performance of ecological sound in different degrees under different signal-to-noise ratio (SNR) and has good robustness, and is suitable for use in the situation of low signal-to-noise ratio (SNR) noise.
【學(xué)位授予單位】：福州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TN912.34

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙玉娟;水鵬朗;張凌霜;;基于子空間匹配追蹤的信號(hào)稀疏逼近[J];信號(hào)處理;2006年04期

2 趙玉娟;;分層匹配追蹤對(duì)信號(hào)的稀疏逼近[J];江蘇教育學(xué)院學(xué)報(bào)(自然科學(xué)版);2007年02期

3 杜小勇;段曉君;;匹配追蹤信號(hào)分解收斂性的一種證明[J];湖南工業(yè)大學(xué)學(xué)報(bào);2010年01期

4 韓德亮;于鳳芹;;基于匹配追蹤算法的漢語音節(jié)重疊聲韻分割[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年07期

5 姚遠(yuǎn);梁志毅;;基于壓縮感知信號(hào)重建的自適應(yīng)空間正交匹配追蹤算法[J];計(jì)算機(jī)科學(xué);2012年10期

6 曾春艷;馬麗紅;杜明輝;;前向預(yù)測(cè)與回溯結(jié)合的正交匹配追蹤算法[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年08期

7 蔣留兵;黃韜;;一種新的壓縮采樣匹配追蹤算法[J];計(jì)算機(jī)應(yīng)用研究;2013年02期

8 黃芳;朱永忠;;基于局部性質(zhì)的改進(jìn)正交匹配追蹤算法[J];青島科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年05期

9 馬強(qiáng);金裕紅;;框架理論在匹配追蹤算法中的應(yīng)用[J];計(jì)算機(jī)與數(shù)字工程;2010年12期

10 韓德亮;于鳳芹;李亞文;;基于遺傳匹配追蹤分解的漢語孤立字聲韻分割[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2012年02期

相關(guān)會(huì)議論文 前7條

1 陸媛媛;宋煒;左佳卉;李亭;;基于改進(jìn)匹配追蹤的子波特征能量氣藏檢測(cè)方法[A];中國地球物理2013——第十九專題論文集[C];2013年

2 李輝;;面向圖像視頻編碼的多規(guī)模匹配追蹤圖像表達(dá)法[A];信息科學(xué)與微電子技術(shù):中國科協(xié)第三屆青年學(xué)術(shù)年會(huì)論文集[C];1998年

3 李政;羅飛路;;基于匹配追蹤的超聲回波參數(shù)估計(jì)方法[A];2009中國儀器儀表與測(cè)控技術(shù)大會(huì)論文集[C];2009年

4 秦曉偉;郭建中;;匹配追蹤算法(MP)在超聲成像中的研究[A];第二屆西安-上海兩地聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2011年

5 于勇凌;張海燕;馬世偉;;改進(jìn)的chirplet匹配追蹤在Lamb波信號(hào)時(shí)頻分析中的應(yīng)用[A];融合與創(chuàng)新：新世紀(jì)物理聲學(xué)的發(fā)展——二零一二年度全國物理聲學(xué)會(huì)議論文集[C];2012年

6 高建虎;陳杰;張履謙;;基于壓縮感知和EMD的SAR海洋內(nèi)波探測(cè)方法[A];第九屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集Ⅱ[C];2011年

7 蘇哲;許錄平;甘偉;;基于壓縮感知的脈沖星輪廓構(gòu)建算法[A];第二屆中國衛(wèi)星導(dǎo)航學(xué)術(shù)年會(huì)電子文集[C];2011年

相關(guān)博士學(xué)位論文 前5條

1 楊成;壓縮采樣中匹配追蹤約束等距性分析及其應(yīng)用[D];復(fù)旦大學(xué);2011年

2 曾春艷;匹配追蹤的最佳原子選擇策略和壓縮感知盲稀疏度重建算法改進(jìn)[D];華南理工大學(xué);2013年

3 楊瑞明;基于壓縮采樣的比幅測(cè)向方法研究[D];電子科技大學(xué);2010年

4 韓曉紅;混沌時(shí)序非線性去噪方法研究及其應(yīng)用[D];太原理工大學(xué);2012年

5 李青;優(yōu)化核方法[D];西安電子科技大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 李會(huì)龍;轉(zhuǎn)子匹配追蹤信息熵故障診斷研究[D];中北大學(xué);2016年

2 楊盼;壓縮感知中改進(jìn)的匹配追蹤類算法研究[D];安徽大學(xué);2016年

3 辛一;基于分層匹配追蹤及保序稀疏編碼的行人識(shí)別研究[D];安徽大學(xué);2016年

4 李明;匹配追蹤在環(huán)境聲音事件識(shí)別中的應(yīng)用研究[D];福州大學(xué);2013年

5 歐陽楨;優(yōu)化的匹配追蹤用于生態(tài)聲音識(shí)別[D];福州大學(xué);2014年

6 趙玉娟;基于子空間匹配追蹤的信號(hào)稀疏逼近[D];西安電子科技大學(xué);2005年

7 任曉馨;壓縮感知貪婪匹配追蹤類重建算法研究[D];北京交通大學(xué);2012年

8 校午陽;基于多通道匹配追蹤算法的時(shí)頻分析研究及在腦電信號(hào)處理中的應(yīng)用[D];天津醫(yī)科大學(xué);2012年

9 李亞文;遺傳匹配追蹤算法的研究與改進(jìn)[D];江南大學(xué);2011年

10 朱姍姍;壓~.感知廣義正交匹配追蹤算法的研究[D];安徽大學(xué);2015年

，

本文編號(hào)：2505661