【摘要】：針對(duì)特定音頻事件識(shí)別中持續(xù)時(shí)間特別短的音頻事件漏檢概率高、識(shí)別速度較慢的問(wèn)題,提出一種融合高斯混合模型(GMM)及支持向量機(jī)(SVM)的特定音頻事件識(shí)別算法.該方法利用GMM的統(tǒng)計(jì)分布描述能力和SVM的推廣泛化能力,將GMM和SVM分別識(shí)別的結(jié)果進(jìn)行融合處理,以手槍、步槍、機(jī)關(guān)槍等10類以上槍聲為實(shí)驗(yàn)數(shù)據(jù),無(wú)需針對(duì)每種槍聲生成相應(yīng)的識(shí)別模板,僅需訓(xùn)練生成2個(gè)識(shí)別模板.實(shí)驗(yàn)結(jié)果表明,識(shí)別準(zhǔn)確率達(dá)到92.71%.該方法模板數(shù)量少,不需要多次訓(xùn)練,算法復(fù)雜度較低,不僅便于應(yīng)用而且可大幅提升識(shí)別效率.
【圖文】：

第7期羅森林等：融合GMM及SVM的特定音頻事件高精度識(shí)別方法 721文獻(xiàn)[7]中使用AdaBoost.MH算法[11],并使用最 表4不同算法的運(yùn)行時(shí)間優(yōu)迭代次數(shù)T=860.融合算法中GMM的高斯分 Tab.4Thetimeconsumptionofdifferentmethods布數(shù)目為M=32，SVM使用RBF函數(shù)，選取局部最 算_稱 訓(xùn)制1司/s 識(shí)另lj_/s AdaBoost 5394.82359.57優(yōu)參數(shù)C=2048和g=8，頭驗(yàn)記錄了算法的起止時(shí) GMM&SVM5423.78189.29間?如圖6所示.實(shí)驗(yàn)結(jié)果表明，，融合GMM和SVM混合算法10“SGMM&SVM 訓(xùn)練時(shí)間與AdaBoost(AdaBoost算法在弱分類器0-^1J 的選擇過(guò)程中，其中的貪心算法的算法復(fù)雜度為|0.8-[1"1r|I[I oa2))相比，基本上保持不變’但是識(shí)別時(shí)間提高、7_■1II■I 了47.356%.總之，融合SVM和GMM的算法復(fù)I" 栄低，觀澊栜自識(shí)}0度.

本文編號(hào)：2541244