CN114187923B 基于一维注意力机制卷积神经网络音频识别方法 （郑州大学）_第1页
CN114187923B 基于一维注意力机制卷积神经网络音频识别方法 （郑州大学）_第2页
CN114187923B 基于一维注意力机制卷积神经网络音频识别方法 （郑州大学）_第3页
CN114187923B 基于一维注意力机制卷积神经网络音频识别方法 （郑州大学）_第4页
CN114187923B 基于一维注意力机制卷积神经网络音频识别方法 （郑州大学）_第5页
已阅读5页，还剩9页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于一维注意力机制卷积神经网络音频识本发明公开了一种基于一维注意力机制卷发明优点在于采用了一维注意力机制卷积神经Urbansound8K上音频信号识别的准确率可达93%2使用python代码对原始数据集中的所述音频信号所述一维注意力机制卷积神经网络，是将注意力机制模块集成到一维卷积神经网络所述注意力机制模块，包括通道注意力机制模块和时间注意力机制模所述时间注意力机制模块通过将所述卷积层各通道输出的特征图的特征信息进行聚2.根据权利要求1所述的基于一维注意力机制卷积神经网络音频识别方法，其特征在局平均的一维池化；所述卷积层为能够减少计算量和加快计算速度的一维卷积；所述3.根据权利要求1所述的基于一维注意力机制卷积神经网络音频识别方法，其特征在4.根据权利要求1所述的基于一维注意力机制卷积神经网络音频识别方法，其特征在3[0006]本发明所述一种基于一维注意力机制卷积神经网络音频识别方法，包括以下步4算量，实现对音频信号高效、准确、稳定的分类识别。通过实验表明，对公开数据集5[0033]对Urbansound8K中的音频信号，使用python代码，按照帧长为1s，重叠比例为[0037]所述注意力机制模块，包括但不限于通道注意力机制模块和时间注意力机制模[0039]如图4所示，时间注意力机制模块通过将卷积层各通道输出的特征图的特征信息的依赖关系并生成通道重新校准向量z'如公式2所示：6[0046]最终，得到的特征M充分考虑了全局信息的引导，并能有效突出更多判别特征信[0049]1x1卷积操作能够聚合所有通道的特征，再s'如公式5所示：

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论