[發(fā)明專利]一種模型訓練層AdaBoost算法的參數(shù)優(yōu)化方法

在審

• 申請?zhí)枺?/td>: 201710332545.6
• 申請日: 2017-05-12
• 公開（公告）號: CN107170443A
• 公開（公告）日: 2017-09-15
• 發(fā)明（設計）人: 羅森林;潘麗敏;王懷慶;劉曉雙
• 申請（專利權）人: 北京理工大學
• 主分類號: G10L15/06
• 分類號: G10L15/06;G10L25/51;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發(fā)明涉及一種模型訓練層AdaBoost算法的參數(shù)優(yōu)化方法。從應用場景的角度講，屬于音頻事件識別技術領域；從技術實現(xiàn)的角度來講，亦屬于計算機科學與音頻處理技術領域。

背景技術

音頻事件識別技術是基于音頻數(shù)據(jù)的內(nèi)容，識別音頻流中的事件聲音段落。音頻事件識別技術在有廣泛的應用，可用于異常場景的監(jiān)控，如無人車行駛環(huán)境下的異常聲音事件，公共場所異常騷亂情況等。隨著數(shù)字多媒體技術的快速發(fā)展，以及多終端移動設備的普及應用，音頻數(shù)據(jù)的數(shù)量正以指數(shù)形式進行增長，音頻事件識別技術的應用價值越來越顯著。

近年來，研究者們針對不同的應用場景提出了多種多樣的音頻事件識別算法。音頻事件識別系統(tǒng)的模塊數(shù)量、識別流程程度都在變得復雜，各模塊的關鍵參數(shù)數(shù)量也不斷增加，傳統(tǒng)的網(wǎng)格法參數(shù)尋優(yōu)耗時多、需要人工介入、并且結果易陷入局部最優(yōu)解，甚至有多參的高分辨率優(yōu)化無法實施等問題。因此，迫切需要針對音頻事件識別系統(tǒng)的參數(shù)優(yōu)化問題進行研究，提出更快速、有效并且方便地實現(xiàn)識別系統(tǒng)參數(shù)的整體優(yōu)化。

目前關于音頻事件識別的參數(shù)優(yōu)化研究較少，尚處于起步階段，將不同的參數(shù)優(yōu)化算法引入音頻事件識別技術領域，對于減少參數(shù)優(yōu)化耗時、提高準確率、完善音頻事件識別的理論體系，為其他領域提供基礎技術，有較高的實用和理論價值。

發(fā)明內(nèi)容

本發(fā)明的目的是：針對音頻事件識別系統(tǒng)模型訓練層算法參數(shù)的優(yōu)化問題，提出了一種模型訓練層AdaBoost算法的參數(shù)優(yōu)化方法，緩解模型訓練階段網(wǎng)格法尋優(yōu)耗時嚴重的問題。

本發(fā)明的設計原理如圖1所示，具體為：首先，提取音頻訓練樣本底層特征，生成特征向量；然后，使用模擬退火算法進行AdaBoost模型的參數(shù)優(yōu)化；最后使用優(yōu)化后參數(shù)生成音頻事件識別模型。本發(fā)明可以提高系統(tǒng)的參數(shù)優(yōu)化速度，得到較好的識別結果。

本發(fā)明的技術方案是通過如下步驟實現(xiàn)的：

步驟1，采集并生成音頻事件訓練樣本，完成數(shù)據(jù)的預處理，具體實現(xiàn)方法為：

步驟1.1，采集多段音頻，將音頻中的某一特定事件標記為正樣本，音頻中其余事件標記為負樣本；

步驟1.2，提取音頻樣本特征向量；

步驟1.3，將N個音頻片段中的l個正樣本片段記為y_i＝1，m負樣本片段記為y_i＝0，l+m＝N。

步驟2，使用AdaBoost算法訓練音頻事件識別模型，具體方法如下：

步驟2.1，初始化權重

步驟2.2，對第t次訓練(T為總訓練次數(shù)，且t＝1,2,…,T)，歸一化權重：

步驟2.3，對每一維特征j，訓練弱分類器h_j，計算其樣本集的分類錯誤率：

步驟2.4，選取分類率e_t最小的分類器h_t，放入強分類器列表；

步驟2.5，更新樣本權重：

其中，i＝1,2,…,N，如果樣本x_i被正確分類，則e_i＝0，否則e_i＝1；

步驟2.6，重復步驟2.2至步驟2.5共T次。

步驟3，對AdaBoost參數(shù)進行優(yōu)化，具體方法如下：

步驟3.1，在步驟2中隨機設定一個迭代次數(shù)T₀，將步驟2輸出結果的準確度記為f(T₀)＝A，使用T₀和A作為模擬退火算法的初始值，步驟2中的數(shù)據(jù)操作函數(shù)f作為目標函數(shù)；

步驟3.2，運行模擬退火算法；

步驟3.3，記錄模擬退火算法結果T_best，并將此值作為AdaBoost的迭代次數(shù)。

有益效果

相比于常用的網(wǎng)格法進行參數(shù)優(yōu)化，本發(fā)明提出的基于模擬退火的音頻事件識別模型參數(shù)優(yōu)化方法，通過隨機搜索方式對參數(shù)尋優(yōu)路徑進行調(diào)整，緩解了模型訓練階段網(wǎng)格法尋優(yōu)耗時嚴重的問題。

本發(fā)明所提方法，對模型訓練層AdaBoost算法參數(shù)進行優(yōu)化，逼近迭代次數(shù)的最優(yōu)解。在保持優(yōu)秀的識別效果的同時，極大地縮短了參數(shù)優(yōu)化時間，進而提高模型訓練的效率。

附圖說明

圖1為本發(fā)明提出的訓練層AdaBoost算法的參數(shù)優(yōu)化方法原理圖；

具體實施方式

為了更好的說明本發(fā)明的目的和優(yōu)點，下面結合實例對本發(fā)明方法的實施方式做進一步詳細說明。