增强的基于类的声音信号的分类周妮娜.PDF

Vol. 3 No.11/ Nov. 2009 增强的基于类的声音信号的分类 周妮娜 摘 要  考虑到不同类别的音频信号都有自己独特的特点，本文将利用基于类的特征提取和分类的观念，对不同类的声音 信号提取不同的特征。在选择特征过程中，本文提出了一个基于分散矩阵的特征排序方法。利用这个排序方法对每一个类 的特征进行排序，然后根据排序结果为每个类选一个特征子集。在分类上本文采用了以径向基函数为内核的支持向量机。 提出的算法最后被用来测试三类仿真数据，分别是语音，咳嗽声和杯盘撞击声。实验结果显示，相比于目前的一些算法， 本文提出的算法能采用较少特征达到同样或更好的分类精度。 关键词  基于类的；特征提取；特征选择；类分离性衡量；支持向量机；训练模型 1 引言 些方法提取的特征，再利用两个分类技术，即动态时 随着中国老年人口的比例加大，老年人独居也 间扭曲(DTW)和学习矢量量化(LVQ)，做分类识别。 变得越来越普遍。由此而引出了老年人的家居安全问 在[4]中的仿真结果表明，MFCC结合DTW得到了最 [6] 题。为解决老年人家居安全，各种各样地监控设施如 好的识别效果。在咳嗽信号的分类研究 中，作者采 摄像头已投入使用。但是摄像头的使用仍需要投入人 用了一些独特的频谱系数作为输入特征，结合概率神 力来监控判断，而且也只能看到图像却听不到声音。 经网络(PNN)来识别咳嗽。 为减少人力投入以实现智能监控，智能视频监测和音 对于语音音频信号和非语音音频信号的混合分 频监测正被大力研究。智能视频监测系统可以自动检 [7] 类，Kimber等人在文章 中用倒谱系数作为特征， 测到人的行为动作并作出识别。智能音频监测系统可 [9] Zhan等人 利用短时能量，短时平均过零率(ZCR)和 以自动检测到声音，自动处理并进行识别(见图1)。 短时基音频率作为特征。Abu-EI-Quran等人在[10] 此外一个完整的智能音频监测系统还包括声音的自动 中提出利用音高比特性来先区分出语音，然后采用 定位。声音定位可以用beamforming实现，也可以 MFCC和ΔMFCC作为特征，时延神经网络作为分类 利用无线传感器来实现。我们将利用无线传感器来实 器来进一步区分剩下的非语音音频信号。另外，这些 现实时定位。 特征给予时间的变化及相互之间的关系也可用作为特 [9] 征来区分语音，音乐和沉默声 。 现有的研究并没有重视每类音频信号特有的具 体特点。考虑到区分不同的声音信号中，不同的特征 可能有不同的区分能力，本文将利用基于类的特征选 择的观点，来对语音和其他音频信号提取基于类的特