基于多流卷积和数据增强的声场景分类方法

【摘要】：针对单特征输入时，现有声场景分类方法分类准确率不高且泛化能力不强的问题，提出了一种基于多流卷积和数据增强的声场景分类方法．首先，介绍了卷积神经网络和混合数据增强的基本原理；其次，基于网络并行输入理论，设计了一种多流卷积神经网络模型以期实现多流特征融合，其由特征提取模块和特征融合模块组成；然后，为进一步提升模型的准确率并降低模型过拟合的概率，提出了一种多维混合数据增强方法以实现特征数据的平滑处理；最后，采用9种特征组合方案，基于Urbansound8K,ESC50和ESC10数据集分别开展了声场景分类实验．实验结果表明：模型的准确率分别为88.29%,77.75%和96.25%，验证了当使用该方法进行声场景分类研究时，模型具有较高的准确率和较强的泛化能力．