使用机器学习和深度学习对城市声音进行分类（Matlab代码实现）

 💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

 ⛳️赠与读者

💥1 概述

📚2 运行结果

2.1 算例1——介绍示例，探索和可视化数据

2.2 算例2：数据预处理和使用诊断应用程序提取特征（信号时域特征和频谱特征）

2.3 算例3：模型训练和评估

2.4 算例4：模型部署

2.5 算例5：使用MFCC提取特征来训练机器学习模型

🎉3 参考文献

🌈4 Matlab代码、文档

---

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

使用机器学习和深度学习对城市声音进行分类，概述：

在本文中，我们将使用机器学习对城市声音数据集进行分类。请注意，我不会解释深度学习技术，尽管人们普遍认为深度学习技术可以获得更高的准确性。让我们先看看如何使用机器学习。对于这个项目，我们将使用一个名为Urbansound8K的数据集。该数据集包含来自10个类别的8732个城市声音片段（<=4秒），这些类别是：

- 空调
- 汽车喇叭
- 儿童游戏
- 狗叫
- 钻孔
- 发动机怠速
- 枪声
- 手锤
- 警报
- 街头音乐

这个例子中有7个算例：

算例1：介绍示例，探索和可视化数据
算例2：数据预处理和使用诊断应用程序提取特征（信号时域特征和频谱特征）
算例3：模型训练和评估
算例4：模型部署
算例5：使用MFCC提取特征来训练机器学习模型
算例6：使用小波分析和深度学习对城市声音进行分类

亮点：
为音频数据存储准备真实生活数据
标准化和归一化数字信号数据（采样率、位深度、通道数）
使用不同方法提取特征（时域信号特征和频谱特征、MFCC、离散小波变换、Haar 1D小波变换）
使用分类学习器应用程序训练机器学习模型
训练深度学习模型
将机器学习模型部署到嵌入式设备或桌面应用程序

需要：
MATLAB
音频工具箱
统计和机器学习工具箱
信号处理工具箱
DSP系统工具箱
小波工具箱
深度学习工具箱

📚2 运行结果

2.1 算例1——介绍示例，探索和可视化数据

2.2 算例2：数据预处理和使用诊断应用程序提取特征（信号时域特征和频谱特征）

2.3 算例3：模型训练和评估

2.4 算例4：模型部署

2.5 算例5：使用MFCC提取特征来训练机器学习模型

2.6 算例6：使用小波分析和深度学习对城市声音进行分类

 

部分代码：

function helperCreateRGBfromTF(ads,datafolder_scallogram)

for i = 1:length(ads.Files)
    clearvars sig
    Fs = 44100;
    sig = audioread(ads.Files{i});
    fb = cwtfilterbank('SignalLength',length(sig),...
    'SamplingFrequency',Fs,...
    'VoicesPerOctave',4);
    cfs = abs(fb.wt(sig(:)));
    im = ind2rgb(im2uint8(rescale(cfs)),jet(128));   
    imgLoc = fullfile(datafolder_scallogram,char(ads.Labels(i)));
    imFileName = strcat(char(ads.Labels(i)),'_',num2str(i),'.jpg');
    imwrite(imresize(im,[224 224]),fullfile(imgLoc,imFileName));
end
end

% findLayersToReplace(lgraph) finds the single classification layer and the
% preceding learnable (fully connected or convolutional) layer of the layer
% graph lgraph.
function [learnableLayer,classLayer] = findLayersToReplace(lgraph)

if ~isa(lgraph,'nnet.cnn.LayerGraph')
    error('Argument must be a LayerGraph object.')
end

% Get source, destination, and layer names.
src = string(lgraph.Connections.Source);
dst = string(lgraph.Connections.Destination);
layerNames = string({lgraph.Layers.Name}');

% Find the classification layer. The layer graph must have a single
% classification layer.
isClassificationLayer = arrayfun(@(l) ...
    (isa(l,'nnet.cnn.layer.ClassificationOutputLayer')|isa(l,'nnet.layer.ClassificationLayer')), ...
    lgraph.Layers);

if sum(isClassificationLayer) ~= 1
    error('Layer graph must have a single classification layer.')
end
classLayer = lgraph.Layers(isClassificationLayer);

% Traverse the layer graph in reverse starting from the classification
% layer. If the network branches, throw an error.
currentLayerIdx = find(isClassificationLayer);
while true
    
    if numel(currentLayerIdx) ~= 1
        error('Layer graph must have a single learnable layer preceding the classification layer.')
    end
    
    currentLayerType = class(lgraph.Layers(currentLayerIdx));
    isLearnableLayer = ismember(currentLayerType, ...
        ['nnet.cnn.layer.FullyConnectedLayer','nnet.cnn.layer.Convolution2DLayer']);
    
    if isLearnableLayer
        learnableLayer =  lgraph.Layers(currentLayerIdx);
        return
    end
    
    currentDstIdx = find(layerNames(currentLayerIdx) == dst);
    currentLayerIdx = find(src(currentDstIdx) == layerNames);
    
end
end

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

[1]杨子明.基于图像和声音信号的城市轨道交通轨道线路病害识别技术研究[J].[2024-05-15].

[2]景春臻.基于深度学习的情感分类系统的研究与实现[D].北京邮电大学[2024-05-15].

[3]吉根林,戚小莎,王嘉琦.基于深度学习的视频异常检测研究综述[J].模式识别与人工智能, 2024(002):037.

🌈4 Matlab代码、文档