基于半監(jiān)督學習的音頻實時檢測方法的研究.pdf

1、隨著現代信息技術，特別是網絡技術和多媒體技術的迅速發(fā)展，多媒體數據已成為互聯網上傳送數據的主要部分。音頻是多媒體中的一種重要媒體，由于音頻數據量的快速增長，如何在大規(guī)模的音頻數據中迅速、有效地檢索出所需要的音頻信息就變得越來越重要。傳統(tǒng)的音頻檢索技術需要耗費大量的勞動力，而引入機器學習可以降低人工參與，也可以更智能地處理音頻數據。機器學習能夠根據用戶的特定需求從海量數據中建立模型并發(fā)現有用的知識。本學位論文將半監(jiān)督學習策略用于音頻檢索，

2、提出了一種檢測具體應用環(huán)境中聲音元素的方法。
　　首先，利用小波的多分辨率分析特性，提取3層小波分解后低頻系數的MFCC特征、原始音頻數據的頻譜質心以及具有較好抗噪聲性能的譜熵特征，并計算MFCC特征的均值、頻譜質心和譜熵的方差，由此構造14維特征向量。
　　其次，針對Tri-training算法學習時會引入噪聲，而且對無標記樣例的利用率不高的問題，提出了基于輔助學習策略的半監(jiān)督協(xié)同訓練學習算法(AR-Tri-trainin

3、g)。該算法在少量的已標記樣例基礎上，根據所提出的輔助學習策略設計音頻學習器，再結合富信息策略，達到在學習過程中消除噪聲的目的，從而提高了數據的利用能力。
　　最后，將音頻學習器用于特定場景中，提出了一種能夠實時檢測場景中聲音元素的檢測算法。以2s時長作為檢測單位，提取實時錄入音頻數據的特征向量之后，將此特征向量輸入經訓練后的音頻學習器，從而檢測出聲音元素以及時間分布，并分析了檢測系統(tǒng)的性能。
　　實驗結果表明，本文提出的A