移動端環(huán)境感知系統(tǒng)中深度神經(jīng)網(wǎng)絡的應用.pdf

1、環(huán)境感知是對環(huán)境內(nèi)存在的聲音進行識別的一種行為，是人工智能研究的重要領(lǐng)域。為了增強計算機、尤其是在移動端的應用普及之后，能夠通過移動端識別環(huán)境中不同音源的場景，學術(shù)界從人的聲音以及其他基礎(chǔ)音源等方面展開了研究，其中從音源分辨角度進行研究是本文的主要內(nèi)容。
　　深度學習是人工智能當前發(fā)展中最熱的領(lǐng)域，在語音識別、圖像識別、自然語言處理方面都取得了巨大的突破。而深度學習技術(shù)的進步與發(fā)展，也產(chǎn)生了一些可行性很高的模型以及算法，如卷積神經(jīng)

2、網(wǎng)絡CNN、循環(huán)神經(jīng)網(wǎng)絡RNN、深度神經(jīng)網(wǎng)絡DNN以及遞歸神經(jīng)網(wǎng)絡等，如何利用深度學習理論在環(huán)境感知方面提高環(huán)境感知識別的準確率是目前人工智能研究的前沿問題。
　　針對上述問題，本文提出了基于CNN和深度RNN相結(jié)合的環(huán)境感知識別模型，結(jié)合了兩者的優(yōu)點，使用由錄制采集的背景環(huán)境音頻文件轉(zhuǎn)化而成的聲譜圖作為輸入，再利用CNN的結(jié)構(gòu)特性從聲譜圖中自動提取環(huán)境的具體特征，最后將從CNN提取出的特征向量輸入深度RNN中完成分類識別。

3、>　　針對上述模型本文還做了相關(guān)工作：
　　1.為了體現(xiàn)模型的真實性，利用設(shè)備錄制采集了多種類別的環(huán)境音頻樣本數(shù)據(jù)集，并用該數(shù)據(jù)集訓練本文模型中的網(wǎng)絡結(jié)構(gòu)。為了驗證本文模型的有效性，本文主要將傳統(tǒng)的MFCC+KNN與MFCC+GMM系統(tǒng)和本文模型在相同的數(shù)據(jù)集上作了對比實驗，結(jié)果顯示本文提出的模型是一種有效的環(huán)境感知識別模型。
　　2.本文提出的模型的網(wǎng)絡結(jié)構(gòu)是由CNN和深層RNN結(jié)合而成，為了研究本文模型的網(wǎng)絡結(jié)構(gòu)及參數(shù)設(shè)

4、置對本文環(huán)境音頻數(shù)據(jù)集的識別是否能取得好的識別效果，針對本文模型的網(wǎng)絡結(jié)構(gòu)做了三組比對實驗，包括使用不同的激活函數(shù)、不同尺寸卷積核及拋棄了深度RNN而添加全連接層的模型在對音頻的識別率上作了比對實驗。通過本文數(shù)據(jù)集上的實驗結(jié)果顯示了本文模型的網(wǎng)絡結(jié)構(gòu)及參數(shù)設(shè)置的有效性，且比其他形式的神經(jīng)網(wǎng)絡組合更具優(yōu)勢。最后與其他論文中的深度神經(jīng)網(wǎng)絡模型做了對比實驗，驗證了本文提出的模型在相同理論的模型中的優(yōu)勢。
　　3.基于深度學習框架Tens