基于卷积神经网络的交通声音事件识别方法

针对公路交通声音事件识别中传统语音算法识别效率低、鲁棒性差的问题,提出一种基于卷积神经网络的交通声音事件识别方法。首先通过Gammatone滤波器对声音数字信号进行子带滤波,得到音频信号耳蜗谱图,然后将其代入卷积神经网络模型对声音事件类型进行识别。利用上述方法对公路交通环境下的四种音频事件做了检测处理,并与经典的隐马尔科夫模型和目前广泛使用的深层神经网络进行比较。实验结果表明,使用卷积神经网络模型能够更加准确地对交通声音事件进行识别,且在噪声环境下具有更好的鲁棒性。

基于NLMS的AEDA声源估计优化算法

针对传统的自适应特征值分解(AEDA)的延估计算法收敛时间慢的问题,提出一种改进的AEDA自适应算法,该方法将归一化最小均方法与AEDA相结合,加快了收敛速度,使其可应用于信号的实时处理.实验结果证明,在真实声场中,该算法能够用于声源定位.