基于多层GRU模型的城市声音识别

张 志，刘振宇，冯婷婷，朱 涛

（南华大学计算机学院，湖南衡阳 421001）

在人们的日常生活中，时时刻刻都被环境声音所包围。了解这些声音的含义能够帮助人们更好地生活。为了理解这些声音的内容，表征环境声音是使用它的有效方法。由此便可以看到隐藏在这些数据类型中的有用信息[1]，利用这些有效信息就能够对声音进行分类。城市中的汽车鸣笛声、人群的嘈杂声等许多噪音混入了城市声景中，这些声源的分离或分类[2]对于理解城市声音和控制城市噪声至关重要。

目前，在音频特征提取中，最常用的就是MFCC[2]和LPCC（线性预测倒谱系数）[3]。MFCC 进行音频特征提取的过程基本分7 个步骤，一段音频经过预加重、分帧、加窗、FFT、Mel 滤波器组、取对数、DCT 之后得到一组特征向量，这组特征向量就代表这段音频的特征。由于这种特征不依赖于信号本身的性质，所以该方法可以保持较好的识别性能[4-11]。

在目前的音频特征分类方法中，使用深度学习能够得到不错的识别准确率。深度学习中对于图像处理方向最具有代表性的模型就是卷积神经网络（CNN）[7]，在文本和语音方向使用最多的模型是递归神经网络（RNN）[4]。CNN 的经典模型有很多，例如AlexNet[11]、VGGNet[12]、ResNet[13]等影响深远的模型。RNN 的经典模型也有很多，比如门控循环单元（GRU）[5]，长短期记忆网络（LSTM）[6]等。

1 相关工作

与文中相关的工作是将数据集中的音频数据进行特征抽取并将其输入到深度学习的模型当中进行声音的识别。文中所用到的数据集文件都是音频数据。……