声学事件检测理论与方法PDF电子书下载

第1章 绪论 1

1.1声学事件检测技术的发展 1

1.1.1声学事件检测的起源与发展脉络 2

1.1.2基于特征的声学事件检测 12

1.1.3基于模型的声学事件检测 17

1.2声学事件检测技术的应用 20

1.3声学事件检测系统的结构 21

1.4本书的结构 22

第2章 声学事件检测中的常用特征和模型 30

2.1声学事件检测中的常用特征 30

2.1.1声音信号的数字化 30

2.1.2声音信号的时域特征 31

2.1.3声音信号的频域特征 33

2.1.4声音信号的时频域特征 41

2.1.5特征降维与选择 43

2.2声学事件检测中的常用模型 47

2.2.1浅层模型 47

2.2.2深度模型 53

2.3本章小结 53

第3章 基于基频段特征的声学事件检测 54

3.1引言 54

3.2长时特征提取 54

3.2.1长时统计特征提取 54

3.2.2基于基频段的特征提取 59

3.3基于长时统计特征的声学事件检测 59

3.3.1基于单分类器和多分类器融合的声学事件检测 60

3.3.2基于类内细分聚类的声学事件检测 61

3.3.3基于拒识和确认的声学事件检测 62

3.4实验和结果 63

3.4.1实验设置 63

3.4.2实验结果与分析 63

3.5本章小结 68

第4章 基于混合模型的声学事件检测 69

4.1引言 69

4.2伪高斯混合模型 70

4.2.1伪高斯混合模型的构建 70

4.2.2伪高斯混合模型参数估计的EM算法 72

4.3异质混合模型 74

4.3.1多变量Logistic混合模型的可辨识性 75

4.3.2异质混合模型的构建 78

4.3.3异质混合模型的参数估计 79

4.4实验和结果 82

4.4.1基于伪高斯混合模型的声学事件检测 82

4.4.2基于异质混合模型的声学事件检测 83

4.5本章小结 86

第5章 基于稀疏低秩特征的声学事件检测 87

5.1引言 87

5.2基于稀疏表示特征的声学事件检测 89

5.3基于低秩矩阵表示特征的声学事件检测 92

5.3.1低秩矩阵表示特征提取 92

5.3.2低秩矩阵分类的问题描述 93

5.3.3基于加速近似梯度方法的矩阵分类学习 94

5.4基于低秩张量表示特征的声学事件检测 96

5.4.1张量计算相关记号 97

5.4.2低秩张量表示特征提取 97

5.4.3基于加速近似梯度方法的张量分类学习 99

5.5实验和结果 102

5.5.1基于稀疏表示特征的声学事件检测 102

5.5.2基于低秩矩阵表示特征的声学事件检测 104

5.5.3基于低秩张量表示特征的声学事件检测 108

5.6本章小结 112

第6章 基于松弛边际下模型训练的声学事件检测 113

6.1引言 113

6.2基于迹范限制下的最大边际矩阵分类 113

6.2.1基于迹范限制与松弛边际的矩阵分类问题描述 113

6.2.2基于交替搜索方式的矩阵分类学习算法 114

6.3基于迹范限制下的最大边际张量分类 116

6.3.1基于迹范限制与松弛边际的张量分类问题描述 116

6.3.2基于交替搜索方式的张量分类学习算法 117

6.4实验和结果 119

6.5本章小结 122

第7章 基于在线并行模型训练的声学事件检测 123

7.1引言 123

7.2在线并行的矩阵数据分类学习方法 123

7.2.1基于加速近似梯度方法的矩阵分类在线学习 123

7.2.2基于逼近加速近似梯度方法的在线学习 125

7.2.3基于小批量更新的在线学习 126

7.2.4基于并行计算加速的矩阵分类学习 126

7.3在线并行的张量数据分类学习方法 128

7.4实验和结果 131

7.4.1基于在线并行学习的低秩矩阵特征分类 131

7.4.2基于在线并行学习的低秩张量特征分类 133

7.5本章小结 135

第8章 基于锚空间的声学事件检测 136

8.1引言 136

8.2锚模型简介 137

8.3基于状态变化统计量的锚空间声学事件检测 139

8.3.1基于状态变化统计量的锚空间生成方法 140

8.3.2实验与讨论 143

8.4基于高斯混合模型锚空间的声学事件检测 144

8.4.1基于高斯混合模型锚空间的目标与集外锚模板的生成 144

8.4.2基于高斯混合模型的声学事件检测机制 146

8.5基于稀疏分解锚空间的声学事件检测 146

8.5.1基于稀疏分解锚空间的目标与集外锚模板的生成 147

8.5.2基于稀疏分解的声学事件检测机制 148

8.5.3实验与讨论 149

8.6本章小结 151

第9章 面向大数据环境下声学事件检测的凸优化理论 152

9.1引言 152

9.2与声学事件检测相关的凸优化理论 153

9.2.1早期凸优化 154

9.2.2凸优化基础 155

9.2.3一阶方法的动机 156

9.3光滑与非光滑的凸优化一阶方法 157

9.3.1光滑目标 157

9.3.2复合优化目标函数 160

9.3.3近端目标 161

9.4随机化技术 162

9.5并行和分布式计算 164

9.6本章小结 164

第10章 面向大数据处理的支持向量机模型的加速算法 165

10.1随机对偶坐标上升法 165

10.1.1问题描述及相关工作 165

10.1.2基于对偶间隙边界的SDCA收敛性分析 167

10.2加速近端随机对偶坐标上升法 172

10.2.1问题描述及相关工作 172

10.2.2基于对偶间隙边界的Prox-SDCA收敛性分析 173

10.3本章小结 180

第11章 面向大数据处理的深度模型的加速算法 181

11.1引言 181

11.2全梯度与随机梯度下降算法 183

11.3加速梯度算法 190

11.4指数型收敛的随机梯度下降算法 192

11.4.1随机平均梯度法 192

11.4.2随机方差减梯度方法 194

11.5坐标梯度下降算法 194

11.6本章小结 199

第12章 面向大数据的通用型在线及随机梯度下降算法 200

12.1引言 200

12.2通用在线梯度法 202

12.2.1通用的在线原始梯度方法 203

12.2.2通用的在线对偶梯度方法 205

12.2.3通用的在线快速梯度方法 208

12.3通用随机梯度法 212

12.3.1算法描述 212

12.3.2收敛性分析 212

12.4数值实验 215

12.4.1LASSO问题 216

12.4.2施泰纳问题 218

12.5本章小结 221

第13章 面向大数据的牛顿型随机梯度下降算法 223

13.1引言 223

13.2近端牛顿型随机梯度法 226

13.2.1正则化的二次模型 228

13.2.2Hessian矩阵的近似 229

13.3算法的收敛性分析 229

13.4数值实验 234

13.5本章小结 235

第14章 基于声学事件检测的行车周边声音环境感知 236

14.1引言 236

14.2实验环境与基线系统 237

14.3基于径向基函数神经网络噪声建模的声学事件检测 240

14.4基于等响度曲线的声学事件检测 246

14.5基于基频轨迹特征的声学事件检测 250

14.6本章小结 255

第15章 音频场景识别 256

15.1引言 256

15.2基于高斯直方图特征的音频场景识别 257

15.2.1高斯直方图特征 257

15.2.2分类模型 259

15.3基于迁移学习的音频场景识别 259

15.3.1迁移学习概述 259

15.3.2基于样本平衡化的音频场景识别 260

15.3.3基于改进样本平衡化的音频场景识别 263

15.4实验和结果 265

15.5本章小结 266

参考文献 267