第一篇:深度学习在音频信号处理领域的进展
- 项目目标
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-rGDeChMm-1607541364016)(C:\Users\李思颖\AppData\Roaming\Typora\typora-user-images\image-0201208153752406.png)]
预测一个全局的单标签的任务——序列分类
党目标为多个类别的集合的时候——多标签序列分类
当目标是一个连续的数值的时候——序列回归
-
声音特征
传统的方法:MFCC
1) 使用FFT提取幅度谱
2)应用Mel滤波进行Mel频域的转化
3)使用log进行非线性变化
4)使用DCT进行系数特征的提取。————> DCT会损失声音结构,目前普遍使用的是log-mel spectrogram。
但是这些都是人工设计的固定滤波器,(滤波器:对声音进行不同的权重加成,而这些权重完全可以由神经网络来学习)——————> 直接使用神经网络来对声音序列进行学习。
-
声音模型
MLP,CNN,RNN,LSTM等
MLP: 输入一维的系数向量 比如展平的MFCC 。MLP每次学习都是针对全局的特征
CNN : 一维声音序列<-> 1-DNN进行学习
二维频谱图<-> 2-DNN进行学习
局部特征提取,学习局部特征的关联性,比如相邻帧的关系,相邻特征(频率维度)的关系。
参数量小,模型复杂程度低。
RNN: 对时间上具有相关性较强的序列数据有很好的效果。
缺点:速度慢,加上会出现梯度消失的问题。
CNN和RNN会结合起来使用,先通过CNN来进行高维特征的提取,然后再使用RNN对时间相关性进行建模。
-
数据
训练集:本次项目的训练集项目直接给了
两种数据增强的办法:
1)迁移学习:
指的是再大数据集上先进行模型预训练,然后再在目标领域进行微调。
2)数据增强或者数据生成
数据增强是指对现有数据进行参数化的调整从而生成新的数据,典型的数据增强的方法是Time Stretch和Pitch Shift
-
应用
环境音的识别
1)声音场景的识别
将某一段音频预测为某一个声音类别。经典分类任务。
2)声音事件的检测
一段声音流某一类或者某几类声音在时间维度上的起始点与终止点。
3)声音事件的标注
给你一段声音,让你判断这段声音包含哪些声音类别,这些判断可能会包含更加细粒度的分类。
总结:
我们的项目属于声音事件的标注类型。
问题:1)项目目标方面,我们是属于全局但标签的分类任务嘛?
2)我们具体采用什么办法去提取训练声音特征?
3)我们采用什么样的模型去做这个项目?
4)我们是需要把混合音频分离出来再去分类还是可以直接进行分类呢?
第二篇:机器学习中的音频特征:理解Mel频谱图
-
随时间采集了气压样本,以数字方式表示音频信号
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-7WM7dCPY-1607541364021)(C:\Users\李思颖\AppData\Roaming\Typora\typora-user-images\image-20201208163455976.png)]
-
使用快速傅里叶变换将音频信号从时域映射到频域,并在音频信号的重叠窗口部分执行此操作。
-
将y轴(频率)转换为对数刻度,将颜色尺寸(幅度)转换为分贝,以形成频谱图。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5fyKV8Yk-1607541364025)(C:\Users\李思颖\AppData\Roaming\Typora\typora-user-images\image-20201208163541731.png)]
-
将y轴(频率)映射到mel刻度上以形成mel频谱图。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-B4i9UJUh-1607541364029)(C:\Users\李思颖\AppData\Roaming\Typora\typora-user-images\image-20201208163606124.png)]
第三篇:如何利用深度学习进行语音识别
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bhQN6X5D-1607541364032)(C:\Users\李思颖\AppData\Roaming\Typora\typora-user-images\image-20201209160459267.png)]
声音的处理:
- 将声波转化为比特。
声波是一维的,它再每个时刻有基于高度的值。通过记录等距时间声音的高度来记录。即采样的过程。这样你可以得到一个**.wav音频**文件。
语音识别一般是16khz(每秒16000个采样)。下面是前100个采样的例子:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-4R3vfYex-1607541364034)(C:\Users\李思颖\AppData\Roaming\Typora\typora-user-images\image-20201209160937054.png)]
采样定理(Nyquist theorem),我们知道我们可以利用数学,从间隔的采样中完美重建原始声波——只要我们的采样频率比期望得到的最高频率快至少两倍就行。
-
对.wav文件进行划分。然后为各个频段的声波建立指纹
划成为20ms的音频块(320个采样)但这样的音频,仍然是不同频率的声音组合在一起,包含中低高音。通过傅里叶变换将复杂的声波分解成一个个部分(按照频率的低中高音)。将每个频段的能量相加,然后为各个类别的频段创建对应的指纹。
结果就是从低音(低音音符)到高音,每个频率的重要程度。以每50个hz为一个频段的话,我们上面20ms的音频所含有的能量从低频到高频就可以表示为下面的这个列表:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ALFFThv5-1607541364036)(C:\Users\李思颖\AppData\Roaming\Typora\typora-user-images\image-20201209161941378.png)]
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-smgNmudg-1607541364038)(C:\Users\李思颖\AppData\Roaming\Typora\typora-user-images\image-20201209161959885.png)]
-
如果对每个20ms的音频块都重复上面的这个过程,最后就会得到一个频谱图(从左到右每一个都是29ms的音频块)
这就是我们实际输入到神经网络中的数据
第四篇:LSTM模型结构的可视化
]
-
如果对每个20ms的音频块都重复上面的这个过程,最后就会得到一个频谱图(从左到右每一个都是29ms的音频块)
这就是我们实际输入到神经网络中的数据