[發(fā)明專利]一種聲學(xué)目標事件監(jiān)控方法

有效

• 申請?zhí)枺?/td>: 201710800615.6
• 申請日: 2017-09-07
• 公開（公告）號: CN109473119B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計）人: 管魯陽;鮑明
• 申請（專利權(quán)）人: 中國科學(xué)院聲學(xué)研究所
• 主分類號: G10L25/30
• 分類號: G10L25/30;G10L25/03
• 代理公司: 北京方安思達知識產(chǎn)權(quán)代理有限公司 11472
• 代理人: 陳琳琳;武玥

本發(fā)明公開了一種聲學(xué)目標事件監(jiān)控方法，所述方法包括：步驟1)建立樣本集，所述樣本集包括訓(xùn)練集和測試集；步驟2)構(gòu)建并訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，所述深度神經(jīng)網(wǎng)絡(luò)為結(jié)合遞歸網(wǎng)絡(luò)結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)，用于提取聲學(xué)信號的信號特征；步驟3)構(gòu)建并訓(xùn)練多個任務(wù)辨識網(wǎng)絡(luò)；步驟4)利用訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)和多個任務(wù)辨識網(wǎng)絡(luò)，對實時采集的聲學(xué)信號進行目標類別辨識；步驟5)當辨識出的目標屬于監(jiān)控的事件范圍內(nèi)，根據(jù)系統(tǒng)設(shè)置執(zhí)行監(jiān)控策略。本發(fā)明的方法可以解決為智能交通、城市環(huán)境監(jiān)測、特定建筑物內(nèi)公共區(qū)域聲學(xué)監(jiān)測等應(yīng)用，用于特定目標事件的發(fā)現(xiàn)、定位和遠距離聲信號獲取，能夠提高城市的噪聲源目標監(jiān)控技術(shù)水平。

技術(shù)領(lǐng)域

本發(fā)明涉及環(huán)境聲學(xué)監(jiān)測、人群語音監(jiān)測、公共安全監(jiān)測等領(lǐng)域，具體涉及一種聲學(xué)目標事件監(jiān)控方法。

背景技術(shù)

目前在針對多種公共或野外環(huán)境下的聲學(xué)監(jiān)測相關(guān)應(yīng)用中，根據(jù)不同的應(yīng)用目標和領(lǐng)域，形成了多種多樣的聲學(xué)信號采集處理設(shè)備或系統(tǒng)，比如雷聲監(jiān)測定位、爆炸聲監(jiān)測、環(huán)境噪聲污染水平監(jiān)測等。這些不同的監(jiān)測目標通常采用不同的聲學(xué)信號處理方法，比如設(shè)置不同的信號采樣率、目標信號特征提取方法等。

目前通常是針對某些目標設(shè)定信號處理方法、特征提取識別方法等，搜集相應(yīng)數(shù)據(jù)進行分類器訓(xùn)練。一旦完成之后就形成固定的目標識別分類器，難以再增加或改變所辨識目標的類型。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服上述問題，針對環(huán)境噪聲監(jiān)測應(yīng)用提出了一種統(tǒng)一的信號特征分析提取與識別的方法，為多種采樣率信號、不同目標聲信號的處理與辨識提供一個統(tǒng)一基于深度學(xué)習(xí)的技術(shù)框架。

為了實現(xiàn)上述目的，本發(fā)明提出了一種聲學(xué)目標事件監(jiān)控方法，所述方法包括：

步驟1)建立樣本集，所述樣本集包括訓(xùn)練集和測試集；

步驟2)構(gòu)建并訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，所述深度神經(jīng)網(wǎng)絡(luò)為結(jié)合遞歸網(wǎng)絡(luò)結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)，用于提取聲學(xué)信號的信號特征；

步驟3)構(gòu)建并訓(xùn)練多個任務(wù)辨識網(wǎng)絡(luò)；

步驟4)利用訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)和多個任務(wù)辨識網(wǎng)絡(luò)，對實時采集的聲學(xué)信號進行目標類別辨識；

步驟5)當辨識出的目標屬于監(jiān)控的事件范圍內(nèi)，根據(jù)系統(tǒng)設(shè)置執(zhí)行監(jiān)控策略。

作為上述方法的一種改進，所述步驟1)具體為：

采集已有的或在線監(jiān)測所得到的大量聲信號數(shù)據(jù)，處理后得到每個信號的傅立葉短時譜；傅立葉短時譜是多幀信號進行傅里葉變換后得到的二維頻譜信息，二維分別表示時間和頻率，所述樣本集包括若干個樣本，每個樣本包括：聲信號的傅立葉短時譜，聲信號的標簽。

作為上述方法的一種改進，所述步驟2)具體包括：

步驟201)構(gòu)建深度神經(jīng)網(wǎng)絡(luò)；所述深度神經(jīng)網(wǎng)絡(luò)是一個改進卷積神經(jīng)網(wǎng)絡(luò)，是將傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)合遞歸網(wǎng)絡(luò)結(jié)構(gòu)，形成可利用歷史信息對聲信號進行特征分析提取與判別的深度神經(jīng)網(wǎng)絡(luò)；

步驟202)使用樣本集進行無監(jiān)督學(xué)習(xí)，優(yōu)化所述深度神經(jīng)網(wǎng)絡(luò)參數(shù)：網(wǎng)絡(luò)規(guī)模、權(quán)系數(shù)及控制參數(shù)。

作為上述方法的一種改進，所述步驟3)具體包括：

步驟301)根據(jù)不同任務(wù)場景、不同需要和不同任務(wù)目標，構(gòu)建多個任務(wù)辨識網(wǎng)絡(luò)，所述任務(wù)辨識網(wǎng)絡(luò)使用單層或多層網(wǎng)絡(luò)形式；

步驟302)將深度神經(jīng)網(wǎng)絡(luò)提取的樣本集的每個聲信號的目標特征作為多個任務(wù)辨識網(wǎng)絡(luò)的輸入，根據(jù)已知的該聲學(xué)信號的標簽進行反向訓(xùn)練，訓(xùn)練出多個任務(wù)辨識網(wǎng)絡(luò)的參數(shù)。

作為上述方法的一種改進，所述步驟302)的多個任務(wù)辨識網(wǎng)絡(luò)的輸入還可以增加基于信號處理的部分參數(shù)：信號短時能量和事件持續(xù)時間。

作為上述方法的一種改進，所述步驟4)具體包括：