針對公共環(huán)境中的聲音事件識別問題,提出基于自適應粒子群優(yōu)化（PSO）匹配追蹤（MP）稀疏分解的聲音事件識別算法。該算法在分析MP稀疏分解的基礎上,先基于適應度函數(shù)改進PSO算法相關參數(shù)的自適應設置,再基于自適應PSO算法構建優(yōu)化MP稀疏分解的目標函數(shù)及信號重構函數(shù),實現(xiàn)自適應PSO算法優(yōu)化MP稀疏分解,從而借助連續(xù)Gabor超完備集來提高最優(yōu)原子的匹配程度,增強聲音信號,提高特征的分類性能,最后使用優(yōu)化的支持向量機（SVM）和復合特征實現(xiàn)公共環(huán)境中的聲音事件準確識別。實驗結(jié)果表明,與已有算法相比,所提識別算法顯著降低了計算量,并取得了最優(yōu)的聲音識別率,且具有較好的識別魯棒性。 

【文章來源】：激光與光電子學進展. 2020,57(10)北大核心CSCD

【文章頁數(shù)】：7 頁

【文章目錄】：
1 引言
2 MP信號稀疏分解
3 自適應PSO優(yōu)化稀疏分解
    3.1 自適應PSO算法
    3.2 自適應粒子變異
    3.3 自適應稀疏分解構建
4 特征提取與聲音事件識別
    4.1 稀疏分解復合特征
    4.2 SVM聲音事件識別
5 實驗分析
    5.1 自適應稀疏分解性能分析
    5.2 算法聲音識別性能比較
6 結(jié)論


【參考文獻】：
期刊論文
[1]基于改進卷積神經(jīng)網(wǎng)絡與動態(tài)衰減學習率的環(huán)境聲音識別算法[J]. 馮陳定,李少波,姚勇,楊靜.  科學技術與工程. 2019(01)
[2]用多頻帶能量分布檢測低信噪比聲音事件[J]. 李應,吳靈菲.  電子與信息學報. 2018(12)
[3]基于低秩稀疏矩陣分解和稀疏字典表達的高光譜異常目標檢測[J]. 張曉慧,郝潤芳,李廷魚.  激光與光電子學進展. 2019(04)
[4]基于EEMD的異常聲音多類識別算法[J]. 韋娟,岳鳳麗,仇鵬,寧方立.  華中科技大學學報(自然科學版). 2018(07)
[5]基于量子粒子群優(yōu)化算法的攝像機標定優(yōu)化方法[J]. 王道累,胡松.  激光與光電子學進展. 2018(12)
[6]利用改進粒子群優(yōu)化算法解調(diào)光傳感重疊光譜信號[J]. 陳勇,程亞男,劉煥淋.  中國激光. 2018(07)
[7]基于凝聚信息瓶頸的音頻事件聚類方法[J]. 李艷雄,王琴,張雪,鄒領.  電子學報. 2017(05)
[8]基于優(yōu)化正交匹配追蹤和深度置信網(wǎng)的聲音識別[J]. 陳秋菊,李應.  計算機應用. 2017(02)
[9]改進的ESMD用于公共場所異常聲音特征提取[J]. 李偉紅,田真真,龔衛(wèi)國,王偉冰.  儀器儀表學報. 2016(11)



本文編號：3191947