發(fā)布時間：2019-09-25 04:42

【摘要】：針對特定音頻事件識別中持續(xù)時間特別短的音頻事件漏檢概率高、識別速度較慢的問題,提出一種融合高斯混合模型(GMM)及支持向量機(SVM)的特定音頻事件識別算法.該方法利用GMM的統(tǒng)計分布描述能力和SVM的推廣泛化能力,將GMM和SVM分別識別的結(jié)果進行融合處理,以手槍、步槍、機關(guān)槍等10類以上槍聲為實驗數(shù)據(jù),無需針對每種槍聲生成相應(yīng)的識別模板,僅需訓(xùn)練生成2個識別模板.實驗結(jié)果表明,識別準確率達到92.71%.該方法模板數(shù)量少,不需要多次訓(xùn)練,算法復(fù)雜度較低,不僅便于應(yīng)用而且可大幅提升識別效率.
【圖文】：

第7期羅森林等：融合GMM及SVM的特定音頻事件高精度識別方法 721文獻[7]中使用AdaBoost.MH算法[11],并使用最 表4不同算法的運行時間優(yōu)迭代次數(shù)T=860.融合算法中GMM的高斯分 Tab.4Thetimeconsumptionofdifferentmethods布數(shù)目為M=32，SVM使用RBF函數(shù)，選取局部最 算_稱 訓(xùn)制1司/s 識另lj_/s AdaBoost 5394.82359.57優(yōu)參數(shù)C=2048和g=8，頭驗記錄了算法的起止時 GMM&SVM5423.78189.29間?如圖6所示.實驗結(jié)果表明，，融合GMM和SVM混合算法10“SGMM&SVM 訓(xùn)練時間與AdaBoost(AdaBoost算法在弱分類器0-^1J 的選擇過程中，其中的貪心算法的算法復(fù)雜度為|0.8-[1"1r|I[I oa2))相比，基本上保持不變’但是識別時間提高、7_■1II■I 了47.356%.總之，融合SVM和GMM的算法復(fù)I" 栄低，觀澊栜自識}0度.

本文編號：2541244