【摘要】：音頻信息作為人們對外界環(huán)境感知的一種重要手段,在視線遮擋、光照條件差及隱私場合等情況下可以對視覺信息起到輔助作用,且具有視覺信息無法替代的作用。隨著多媒體信息的快速發(fā)展和音頻信息量的急速增長,人們對音頻信息管理和應(yīng)用的需求越來越大,音頻信息的研究得到越來越廣泛的關(guān)注。音頻信息具有廣泛的應(yīng)用前景,例如音頻情感感知,智能家居工程以及基于音頻信息的場景識別等。音頻事件分類和音頻場景識別是音頻分類領(lǐng)域的兩個重要研究方向,近年來得到研究者們的廣泛關(guān)注。本論文基于稀疏表示技術(shù)和主題模型技術(shù)對音頻事件分類及音頻場景識別展開研究,主要研究工作包括:(1)本文提出了一種基于堆疊基稀疏表示的音頻事件分類方法。該方法通過K-SVD算法為每一類音頻事件分別訓練創(chuàng)建音頻字典,在得到每一類音頻事件的基函數(shù)以后,通過將各類的基函數(shù)進行堆疊得到一個大型的音頻字典,最后基于新創(chuàng)建的大型音頻字典提取音頻信號的稀疏表示特征。在分類階段,本文提出通過計算樣本在各類音頻事件上的權(quán)重值,然后根據(jù)權(quán)重值的大小進行判別的分類策略。在進行語音-音樂二類分類實驗時,本文提出的分類方法的分類正確率高達100%。在TIMIT數(shù)據(jù)庫上進行說話人識別實驗時,其分類準確率高達95%,比英國薩里大學Syed Zubair提出的最大值池化稀疏方法提高了13%。(2)本文提出了一種基于音頻事件和主題模型的音頻場景識別方法。與傳統(tǒng)的基于文檔-字共現(xiàn)矩陣(document-word co-occurrence matrix)進行主題分析的方法不同,本文提出的算法通過創(chuàng)建音頻文檔-音頻事件共現(xiàn)矩陣進行主題分析,算法的創(chuàng)新性體現(xiàn)在:1)與傳統(tǒng)的基于文檔-字共現(xiàn)矩陣進行主題分析的方法相比,本文基于音頻文檔-音頻事件共現(xiàn)矩陣進行主題分析能更好地提取音頻文檔的主題分布,更好地表達音頻文檔,進而獲得更好的識別效果;2)提出了一種簡單的音頻文檔-音頻事件共現(xiàn)矩陣的統(tǒng)計方法;3)提出了一種對音頻文檔的事件分布進行加權(quán)的方法,這種加權(quán)方法可以突出反映音頻文檔獨特主題的重要音頻事件,并且可以抑制許多主題共有的音頻事件。在AASP數(shù)據(jù)庫和DEMAND數(shù)據(jù)庫上的實驗表明,在識別性能上,本文提出的基于音頻文檔-音頻事件共現(xiàn)矩陣的音頻場景識別方法優(yōu)于傳統(tǒng)的基于音頻文檔-音頻字共現(xiàn)矩陣的音頻場景識別方法。
【圖文】：

LDA 為 引入了Dirichlet 先驗分布。基于 LDA 模型的文本集生成過程如根據(jù)分布( )( )id Dirichlet 采樣生成文檔id 的主題分布對于文檔id 中的每個單詞 wk：（a）根據(jù)文檔id的主題分布( )id 選擇一個主題jz（b）選擇( )( )jz Dirichlet （c）從多項分布( )jz 中選取一個字kwA 模型的學習方法有很多，最常用的兩種方法是吉布斯采樣法和變分推理法變分推理法。PLSA 和 LDA 是兩種不同的主題模型，正如 M.Stevvers 教授在指出的，主題模型可以認為是一種矩陣分解[40]，其矩陣分解如下圖 3-1 所示C 表示文檔-字共現(xiàn)矩陣，，對其進行分解得到主題-字分配矩陣和文檔-主題分
【學位授予單位】：山東師范大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TN912.34

【相似文獻】

相關(guān)期刊論文 前10條

1 Fang LI;Jia SHENG;San-yuan ZHANG;;基于稀疏表示的拉普拉斯稀疏字典圖像分類（英文）[J];Frontiers of Information Technology & Electronic Engineering;2017年11期

2 陳素素;謝宏;;基于稀疏表示的聯(lián)合多通道肌電信號手勢識別[J];微型機與應(yīng)用;2017年17期

3 余慶輝;朱晗琰;吳海霞;戈曉玲;潘逸煒;;基于類內(nèi)稀疏表示的人臉識別[J];科技展望;2015年32期

4 滕升華;商勝楠;王芳;趙增順;;一種基于復(fù)合稀疏表示的阿爾茨海默病的診斷方法[J];生物醫(yī)學工程研究;2016年01期

5 黃宏圖;畢篤彥;高山;查宇飛;侯志強;;基于局部敏感核稀疏表示的視頻跟蹤[J];電子與信息學報;2016年04期

6 張保慶;穆志純;曾慧;;基于非負稀疏表示的遮擋人耳識別[J];計算機輔助設(shè)計與圖形學學報;2014年08期

7 張石清;趙小明;樓宋江;闖躍龍;郭文平;陳盈;;一種局部敏感的核稀疏表示分類算法[J];光電子.激光;2014年09期

8 陳思寶;許立仙;羅斌;;基于多重核的稀疏表示分類[J];電子學報;2014年09期

9 李映;張艷寧;許星;;基于信號稀疏表示的形態(tài)成分分析:進展和展望[J];電子學報;2009年01期

10 王威;朱宗玖;陸俊;;基于字典學習和局部約束的稀疏表示人臉識別[J];電腦知識與技術(shù);2018年05期

相關(guān)會議論文 前10條

1 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標識別[A];2013年中國智能自動化學術(shù)會議論文集（第五分冊）[C];2013年

2 楊寶;朱啟兵;黃敏;;基于非負矩陣分解一稀疏表示分類的玻璃缺陷圖像識別[A];第24屆中國控制與決策會議論文集[C];2012年

3 田野;張立新;嚴濤;楊志梅;張茁;;基于稀疏表示的北斗導航衛(wèi)星預(yù)失真濾波器設(shè)計方法[A];第九屆中國衛(wèi)星導航學術(shù)年會論文集——S08 測試評估技術(shù)[C];2018年

4 肖瓊;黃永言;;稀疏表示在腦電信號處理中的應(yīng)用研究現(xiàn)狀[A];人-機-環(huán)境系統(tǒng)工程創(chuàng)立30周年紀念大會暨第十一屆人-機-環(huán)境系統(tǒng)工程大會論文集[C];2011年

5 趙雪峰;孫成禹;;基于稀疏表示的地震多屬性融合[A];2016中國地球科學聯(lián)合學術(shù)年會論文集（十九）——專題40：油氣田與煤田地球物理勘探[C];2016年

6 廖佳俊;劉志剛;蔡尚;姜江軍;;基于非負—平滑約束的高光譜稀疏表示目標檢測算法研究[A];國家安全地球物理叢書（十二）——地球物理與信息感知[C];2016年

7 蒙紅英;柴昱洲;韓宇;;一種基于稀疏表示的JPEG-LS改進算法[A];第四屆高分辨率對地觀測學術(shù)年會論文集[C];2017年

8 柴漢超;郭翌;汪源源;曹萬里;孫�？�;;基于多尺度稀疏表示分割腎上腺腫瘤CT圖像[A];儀器儀表學報（2015（增刊）第36卷）[C];2015年

9 余力;郭翌;汪源源;陳萍;;基于超聲心動圖序列的胎兒左心室分割[A];儀器儀表學報（2015（增刊）第36卷）[C];2015年

10 林哲;閆敬文;袁野;;基于稀疏表示和PCNN的多模態(tài)圖像融合[A];創(chuàng)新驅(qū)動與轉(zhuǎn)型發(fā)展，推動汕頭騰飛——汕頭市科協(xié)第七屆學術(shù)年會優(yōu)秀論文集[C];2014年

相關(guān)博士學位論文 前10條

1 李斐;稀疏約束下的圖像分類與特征提取算法研究[D];山東大學;2018年

2 張海燕;基于稀疏表示的低劑量CT成像研究[D];天津大學;2017年

3 徐琳琳;基于稀疏優(yōu)化的幾何建模研究[D];中國科學技術(shù)大學;2018年

4 王斌;基于稀疏表示和深度學習的圖像識別算法及應(yīng)用研究[D];中國科學技術(shù)大學;2018年

5 程增飛;基于壓縮感知的陣列信號處理技術(shù)研究[D];西安電子科技大學;2017年

6 王偉;基于幀級和段級稀疏表示的說話人識別研究[D];哈爾濱工業(yè)大學;2016年

7 涂淑琴;基于稀疏表示的RGB-D圖像特征學習研究與應(yīng)用[D];華南農(nóng)業(yè)大學;2016年

8 李竇哲;基于L-DACS1數(shù)據(jù)鏈的航空電信網(wǎng)協(xié)同傳輸關(guān)鍵技術(shù)研究[D];天津大學;2017年

9 石保順;基于自適應(yīng)稀疏表示的壓縮感知及相位恢復(fù)算法研究[D];燕山大學;2017年

10 劉梓;基于稀疏表示與鑒別分析算法的人臉圖像分類研究[D];南京理工大學;2016年

相關(guān)碩士學位論文 前10條

1 湯浩;核空間聯(lián)合稀疏表示高光譜圖像分類及GPU實現(xiàn)[D];西南交通大學;2018年

2 周紅蓮;基于卷積稀疏表示與組合核方法的高光譜圖像分類研究[D];西南交通大學;2018年

3 周耐;基于稀疏表示和主題模型的音頻分類識別研究[D];山東師范大學;2018年

4 楊世誠;基于稀疏表示的低質(zhì)量人臉圖像識別的研究[D];華東師范大學;2018年

5 翟奧博;基于稀疏表示的SAR圖像分類模型及其算法的研究[D];天津理工大學;2018年

6 吳玲玲;誘發(fā)電位少次提取方法的研究[D];江蘇師范大學;2018年

7 張晉源;基于聯(lián)合稀疏表示的非局部變換域圖像去噪[D];北京郵電大學;2018年

8 李育亮;智能機器人視覺圖像最稀疏分解研究[D];蘭州理工大學;2018年

9 馬超;基于稀疏表示和概率主元分析的化工過程故障檢測與識別[D];華東交通大學;2018年

10 張祺威;基于稀疏表示理論的聲發(fā)射識別技術(shù)的研究[D];東南大學;2017年

本文編號：2593999