【《深度学习在异常声音识别分类中的应用案例分析》2400字】

深度学习在异常声音识别分类中的应用案例分析目录TOC\o"1-3"\h\u20134深度学习在异常声音识别分类中的应用案例分析 1188361.1准备工作 1308081.2基于全连接DNN的异常声音识别分类系统 223481.2.1系统结构图 2171751.2.2实验结果分析 285951.3基于CNN的异常声音识别分类系统 4115381.3.1系统结构图 4293571.3.2实验结果分析 548031.4基于RNN的异常声音识别分类系统 692791.1.1系统结构图 633961.1.2实验结果分析 6250181.5基于CNN-RNN的异常声音识别分类系统 7158661.5.1系统结构图 8173451.5.2实验结果分析 81.1准备工作1.1.1数据集的使用本文研究的内容是对环境中的不同声音进行识别分类，并识别出该声音是否是异常声音。因此对于此任务，本文将使用UrbanSound8K数据集。该数据集作为一种使用较为广泛的对城市环境声音进行处理的数据集。它一共收录了十种合计8732个已标注的音频文件。这些音频的种类分别是空调声（air_conditioner）、汽车鸣笛声（car_horn）、儿童玩耍声（children_playing）、狗叫声（dog_bark）、钻孔声（drilling）、引擎空转声（engine_idling）、枪击声（gun_shot）、手提钻声（jackhammer）、警笛声（siren）和街头音乐声（street_music）。该数据集中各分类编号与分类名称对应关系如下表4-1所示。表4-1classID与className对应关系表classIDclassName0air_conditioner1car_horn2children_playing3dog_bark4drilling5engine_idling6gun_shot7jackhammer8siren9street_music1.2基于全连接DNN的异常声音识别分类系统首先使用全连接DNN来测试其对异常声音识别的能力，全连接DNN具有多个隐藏层，每个隐藏层都表现为全连接层。通过输入已经提取的数据集的梅尔倒谱系数参数，在经过全连接层的变换后，输出层输出结果，并使用softmax进行分类。1.2.1系统结构图该模型主要由全连接层构成，在输入层后接三个全连接层来完成训练数据集的目的。其中前两个全连接层使用激活函数relu，最后一个全连接层使用softmax进行分类并输出。该模型的主要结构图及各层参数如图4-1和表4-2所示。图4-1全连接DNN结构图表4-2DNN模型各层的参数Layer(type)OutputShapeParam#input_1(InputLayer)[(None,40)]0dense(Dense)(None,128)5248dense_1(Dense)(None,128)16512dense_2(Dense)(None,10)51301.2.2实验结果分析实验中全连接DNN采用学习率lr=0.001，样本训练数量batch_size=32，设置EarlyStopping当验证损失率不在下降时停止训练，此时的训练次数epochs=41。实验数据集正确率与损失率评估图像如下图4-2与4-3所示。图4-2全连接DNN正确率图4-3全连接DNN损失率从实验结果可以看出，当训练停止时该模型的正确率Accuracy=80.16%。由于进行训练和验证的数据集样本量较小，而全连接DNN具有很强的拟合能力，很容易造成过拟合情况。1.3基于CNN的异常声音识别分类系统为了解决全连接DNN的缺陷，下面选用卷积神经网络（CNN）来进行数据集的训练和验证。CNN使用卷积层和池化层对输入数据进行变换，并将最后的结果作为全连接层的输入，在最后使用softmax进行分类。1.3.1系统结构图该模型主要由输入层、两个卷积层、两个池化层、一个全连接层和softmax输出层共七层。其中，池化层采用最大池化（MaxPooling）计算方式，其中卷积层和全连接层使用激活函数relu，输出层使用softmax进行分类。该模型结构图和各层参数配置如下图4-4和表4-3所示。图4-4CNN结构图表4-3CNN模型各层的参数Layer(type)OutputShapeParam#input_1(InputLayer)[(None,40,173,1)]0conv2d(Conv2D)(None,38,171,32)320batch_normalization(None,38,171,32)128max_pooling2d(None,19,85,32)0dropout(None,19,85,32)0conv2d_1(Conv2D)None,17,83,64)18496batch_normalization_1(None,17,83,64)256max_pooling2d_1(None,8,41,64)0dropout_1(None,8,41,64)0Flatten(Flatten)(None,20992)0dense(Dense)(None,128)2687104batch_normalization_2(None,128)512dense_1(Dense)(None,10)12901.3.2实验结果分析实验中CNN的学习率lr=0.001，样本训练数量batch_size=32，卷积核大小为（3，3），池化层过滤器大小为（2，2）。同样设置EarlyStopping当验证损失率不再下降后停止训练，此时的训练次数epochs=8。实验数据正确率与损失率图像如下图4-5和4-6所示。图4-5CNN正确率图4-6CNN损失率从实验结果可以看出，CNN与全连接DNN相比，利用了卷积和池化技术从局部数据中提取出特征，大大降低了复杂度，其正确率Accuracy=97.26%。1.4基于RNN的异常声音识别分类系统考到声音文件在时间序列的变化上是有规律的，前一段时间的音频信号有可能与后一段时间的音频信号有联系。故本小节选用循环神经网络（RNN）来进行数据集的训练与验证。1.1.1系统结构图构建基于RNN模型的异常声音识别分类系统，在输入层后加入了LSTM单元。全连接层使用激活函数relu。该模型结构图和各层参数配置如下图4-7和表4-4所示。图4-7RNN结构图表4-4RNN模型各层的参数Layer(type)OutputShapeParam#input_1(InputLayer)[(None,173,40)]0lstm(LSTM)(None,100)56400续表4-4dropout(Dropout)(None,100)0dense(Dense)(None,128)12928dense_1(Dense)(None,128)16512dense_2(Dense)(None,10)12901.1.2实验结果分析实验种RNN采用的学习率lr=0.001，样本训练数量batch_size=32，设置EarlyStopping当验证损失率不再下降后停止训练，此时的训练次数epochs=21。实验数据正确率与损失率图像如下图4-8和4-9所示。图4-8RNN正确率图4-9RNN损失率根据实验结果可知，在处理具有时间序列特点的音频文件时，RNN也具有较高的性能。其正确率为Accuracy=61.06%1.5基于CNN-RNN的异常声音识别分类系统前三种网络模型在处理UrbanSound8K数据集的正确率如下表4-5所示。表4-5模型正确率ModelAccuracyDNN80.16%CNN97.26%RNN61.06%卷积神经网络（CNN）具有其独特的卷积层和池化层，能够对音频信号的处理发挥重要作用，而这些音频信号在某种程度上具有时间特性，循环神经网络（RNN）也就有一定的优势。本小节采用CNN来对输入数据进行卷积与池化处理，并将池化后的结果送入RNN，构建了一种CNN与RNN结合的异常声音识别系统。1.5.1系统结构图该模型主要有CNN与RNN结合而成，使用CNN的卷积层与池化层作为输入数据的处理，并将处理结果放入RNN中，最后采用全连接层来输出数据。卷积层采用激活函数relu，输出层采用softmax进行分类。该模型主要结构和各层参数如图4-10与表4-6所示。图4-10CNN-RNN结构图表4-6CNN-RNN各层参数Layer(type)OutputShapeParam#conv1d(Conv1D)(None,40,32)192conv1d_1(Conv1D)(None,40,64)10304max_pooling1d(None,5,64)0lstm(LSTM)(None,100)66000dense(Dense)(None,128)12928dense_1(None,10)12901.5.2实验结果分析实验中该模型采用学习率为lr=0.001，样本训练数量batch_size=32，卷积核大小为5，池化层过滤器大小为8，设置EarlyStopping当验证损失率不再下降后停止训练，此时的训练次数epochs=67。实验数据正确率与损失率图像如下图4-11和4-12所示。图4-11CNN-RNN正确率图4-12CNN-RNN损失率由实验结果可知，采取CNN与RNN结合的方式设计的模型，在处理具有一定时间序列特征的音频文件时，也可以发挥很好的效果，其正确率Accuracy=85.2