CNN-XGBoost混合模型在音频场景分类中的应用

杨立东，胡江涛，张壮壮

(内蒙古科技大学 信息工程学院，内蒙古 包头 014010)

1 引 言

随着机器“听、说、看”等能力的不断提升，人工智能开始了从感知智能向认知智能的迁移.目前，音频场景分类作为人工智能领域场景理解的研究热点也被广泛关注.音频场景分类就是通过算法模型将音频数据集分成记录环境声音的场景类别[1]，是计算机听觉场景分析(Computational Auditory Scene Analysis，CASA)领域的主要研究内容，广泛应用于森林动物的监听设备[2]、机器人导航系统[3]、音频检索[4]和辅助设备[5]等方面.

近年来随着计算机性能的提高，深度学习技术在音频场景分类中表现出良好的性能，例如卷积神经网络(Convolutional Neural Networks，CNN)[6，7]、长短时记忆网络(Long Short Term Memory Network，LSTM)[8，9]和深度神经网络(Deep Neural Networks，DNN)[10]已经成功应用于音频场景分类，针对传统的机器学习算法在分类性能上难以提高的情况，许多研究人员开始利用深度学习算法和机器学习算法结合起来的混合模型改善分类性能.例如，利用CNN与LSTM混合算法提升音频分类正确率[11]；文献[12]中通过引入i-vectors与卷积神经网络结合，同样在音频场景分类中取得了很好的效果；文献[13]中引入机器学习中的梯度向量机并与CNN结合产生并行结构模型，用它来处理音频场景的混合特征，实验结果显示在分类性能上有所提高；此外，还有在CNN的最后一层加上高斯混合模型的SuperVector作为概率线性判别分析分类器的特征向量[14]，也可以提高分类性能.综上所述，机器学习与深度网络构造的混合模型在音频场景分类上应用越来……