本發(fā)明涉及音頻信號處理，尤其是指基于機器學(xué)習(xí)的揚聲器異音檢測方法、系統(tǒng)及存儲介質(zhì)。

背景技術(shù)：

1、隨著智能手機、智能音箱、車載音響及家庭影院等電子設(shè)備的普及，揚聲器市場需求激增，我國已成為揚聲器生產(chǎn)和出口大國。面對市場對高品質(zhì)音頻體驗的不斷提升，揚聲器生產(chǎn)企業(yè)面臨著在擴大產(chǎn)量的同時，還需提升產(chǎn)品質(zhì)量的挑戰(zhàn)。然而，在揚聲器制造過程中，常出現(xiàn)影響音質(zhì)的結(jié)構(gòu)和機械故障，這些故障直接影響用戶體驗。

2、當(dāng)前，揚聲器異音檢測主要依賴傳統(tǒng)方法，即通過專業(yè)聽音員在隔音環(huán)境中以人耳判斷揚聲器聲音是否正常。此方法存在顯著弊端：一是高度依賴聽音員的主觀感受，易受年齡、健康狀況及疲勞程度等個體因素影響，導(dǎo)致檢測結(jié)果的主觀性和不確定性；二是缺乏統(tǒng)一的評價標(biāo)準(zhǔn)，難以被自動化裝置替代；三是對于大規(guī)模生產(chǎn)而言，不僅勞動成本高，且長時間重復(fù)性工作易導(dǎo)致人員疲勞和誤判，增加了產(chǎn)品不合格風(fēng)險。

3、因此，探索一種更加精準(zhǔn)高效、客觀且標(biāo)準(zhǔn)化的揚聲器異音檢測方法顯得尤為迫切，以滿足市場對高質(zhì)量揚聲器的需求，同時降低生產(chǎn)成本，提高生產(chǎn)效率。

技術(shù)實現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明提供了一種基于機器學(xué)習(xí)的揚聲器異音檢測方法，包括以下步驟：

2、s1：采集揚聲器音頻信號，對所述音頻信號進行預(yù)處理，得到多視圖數(shù)據(jù)集；

3、s2：對所述多視圖數(shù)據(jù)集進行無監(jiān)督特征選擇，得到特征選擇后的數(shù)據(jù)集；

4、s3：將所述特征選擇后的數(shù)據(jù)集劃分成訓(xùn)練集和測試集，通過所述訓(xùn)練集對分類器進行迭代訓(xùn)練，得到訓(xùn)練后的分類器；

5、s4：基于所述訓(xùn)練后的分類器對待測揚聲器進行異音檢測，得到檢測結(jié)果。

6、在本發(fā)明的一個實施例中，在s1中，所述得到多視圖數(shù)據(jù)集的方法如下：

7、s11：對所述音頻信號x(t)進行歸一化處理，將所述音頻信號x(t)的幅度縮放至指定范圍內(nèi)，得到歸一化后的音頻信號x′(t)：

8、

9、s12：對所述歸一化后的音頻信號進行預(yù)加重分幀加窗處理，得到多個加窗后的幀信號；

10、s13：對所述加窗后的幀信號進行短時傅里葉變換，得到音頻信號的線性頻譜x(k)，取所述音頻信號的線性頻譜x(k)的模的平方，得到每幀的功率譜；其中，所述音頻信號的線性頻譜x(k)的計算公式如下：

11、

12、其中，k≤n-1，n表示加窗后的幀信號的總數(shù)量，j表示虛數(shù)單位，x(n)表示第n個加窗后的幀信號；

13、s14：基于所述音頻信號的線性頻譜x(k)，通過mel濾波器組進行加權(quán)求和，將給定頻率f轉(zhuǎn)換成所對應(yīng)的梅爾刻度頻譜mel(f)：

14、

15、s15：對所述梅爾刻度頻譜mel(f)取對數(shù)，得到對數(shù)頻譜，對所述對數(shù)頻譜進行離散余弦變換，得到梅爾頻率倒譜系數(shù)特征；對所述音頻信號的線性頻譜x(k)的模的平方除以幀長度，得到功率譜，對所述功率譜取平方，得到語譜圖特征；

16、s16：對所述梅爾頻率倒譜系數(shù)特征和所述語譜圖特征進行均值歸一化處理后組合，得到所述多視圖數(shù)據(jù)集。

17、在本發(fā)明的一個實施例中，在s2中，所述得到特征選擇后的數(shù)據(jù)集的方法如下：

18、s21：對于所述多視圖數(shù)據(jù)集中的每個視圖，計算數(shù)據(jù)點之間的相似度矩陣，將多個視圖的相似度矩陣融合成一個相似度矩陣，在融合后的相似度矩陣上應(yīng)用譜聚類算法，得到聚類結(jié)果，聚類結(jié)果將作為數(shù)據(jù)點的偽標(biāo)簽，以此為各個數(shù)據(jù)點分配偽標(biāo)簽，生成偽標(biāo)簽矩陣；

19、s22：基于所述偽標(biāo)簽矩陣，通過特征選擇矩陣的l2,1稀疏正則化項構(gòu)建特征選擇損失函數(shù)，將所述偽標(biāo)簽矩陣的訓(xùn)練過程和所述特征選擇矩陣的訓(xùn)練過程集成到同一學(xué)習(xí)框架中，構(gòu)建無監(jiān)督特征選擇目標(biāo)函數(shù)；

20、s23：以最小化所述無監(jiān)督特征選擇目標(biāo)函數(shù)值為目標(biāo)，求解所述無監(jiān)督特征選擇目標(biāo)函數(shù)，得到偽標(biāo)簽矩陣和特征選擇矩陣的最優(yōu)解；

21、s24：基于所述特征選擇矩陣的最優(yōu)解，計算每個特征的重要值，即計算特征選擇矩陣的每行的l2范數(shù)，并對每個特征重要值進行排序，選擇前k個特征構(gòu)成多視圖特征子集，多個所述多視圖特征子集組合得到所述特征選擇后的數(shù)據(jù)集。

22、在本發(fā)明的一個實施例中，所述無監(jiān)督特征選擇目標(biāo)函數(shù)floss包括偽標(biāo)簽學(xué)習(xí)的損失項loss1和特征選擇矩陣學(xué)習(xí)的損失項loss2，其表達(dá)式如下：

23、

24、其中，α(v)均為可迭代權(quán)值參數(shù)，v為視圖的索引號，v取1～v之間的整數(shù)，v為所述多視圖數(shù)據(jù)集中每個樣本的視圖總數(shù)。

25、在本發(fā)明的一個實施例中，所述偽標(biāo)簽學(xué)習(xí)的損失項loss1基于非負(fù)約束條件下構(gòu)造而成，其表達(dá)式為：

26、

27、其中，p(v)∈rn×c表示第v個視圖的偽標(biāo)簽矩陣，v取1～v之間的整數(shù)，v為所述多視圖數(shù)據(jù)集中每個樣本的視圖總數(shù)，i∈rc×c是單位矩陣，c是類別數(shù)，tr(·)為求取矩陣的跡的運算操作；l(v)表示拉普拉斯矩陣。

28、在本發(fā)明的一個實施例中，所述特征選擇矩陣學(xué)習(xí)的損失項loss2的表達(dá)式為：

29、

30、其中，β(v)為可迭代權(quán)值參數(shù)，為第v個視圖的音頻數(shù)據(jù)集，dv表示第v個視圖的維度，p(v)∈rn×c表示第v個視圖的偽標(biāo)簽矩陣，n為所述多視圖數(shù)據(jù)集的樣本數(shù)，c是類別數(shù)，q(v)為第v個視圖的特征選擇矩陣，為求取f范數(shù)的平方的運算操作，||q(v)||2，1表示q(v)的l2，1范數(shù)，λ為預(yù)設(shè)參數(shù)。

31、在本發(fā)明的一個實施例中，所述得到偽標(biāo)簽矩陣和特征選擇矩陣的最優(yōu)解的方法如下：

32、由于所述特征選擇矩陣學(xué)習(xí)的損失項loss2不可微，將所述特征選擇矩陣學(xué)習(xí)的損失項loss2的表達(dá)式轉(zhuǎn)化為以下等價表達(dá)式：

33、

34、其中，d(v)表示對角矩陣，第i個對角元素為表示對角矩陣d(v)的第i個樣本；

35、固定p(v)、α(v)、β(v)的值，對所述等價表達(dá)式進行求導(dǎo)并將導(dǎo)數(shù)設(shè)為0，得到q(v)的求解公式：

36、

37、固定q(v)、α(v)、β(v)的值，將所述偽標(biāo)簽學(xué)習(xí)的損失項loss1轉(zhuǎn)換為以下等價表達(dá)式：

38、

39、其中，ρ表示權(quán)重參數(shù)；

40、根據(jù)所述q(v)的求解公式，所述等價表達(dá)式(9)可以轉(zhuǎn)換成如下表達(dá)式：

41、

42、其中，i表示單位矩陣；

43、公式(10)的拉格朗日函數(shù)為：

44、

45、其中，ψ(v)是拉格朗日乘子，根據(jù)卡魯什-庫恩-塔克條件，可得對公式(11)進行求導(dǎo)并將導(dǎo)數(shù)設(shè)為0，得到更新偽標(biāo)簽矩陣p(v)中第i行j列的元素的公式如下：

46、

47、固定p(v)、q(v)、β(v)的值，更新α(v)的公式為：

48、

49、固定p(v)、q(v)、α(v)的值，更新β(v)的公式為：

50、

51、以最小化所述無監(jiān)督特征選擇目標(biāo)函數(shù)值為目標(biāo)，不斷調(diào)整偽標(biāo)簽矩陣和特征選擇矩陣的元素，得到偽標(biāo)簽矩陣和特征選擇矩陣的最優(yōu)解。

52、在本發(fā)明的一個實施例中，在s3中，所述得到訓(xùn)練后的分類器的方法如下：

53、以線性支持向量機作為分類器的基本框架，其超平面使用分類函數(shù)為：

54、f(x)＝ω·x+b?????????????????(15)

55、其中，ω表示超平面的法向量，b為分類偏值，x為由所述特征選擇后的數(shù)據(jù)集劃分出的訓(xùn)練集；

56、引入拉格朗日乘子α對公式(15)中ω和b進行求解，定義拉格朗日函數(shù)為：

57、

58、其中，xi為所述特征選擇后的數(shù)據(jù)集中第i個樣本，i取1～n之間的整數(shù)，n為所述特征選擇后的數(shù)據(jù)集中的樣本總數(shù)；

59、固定拉格朗日乘子α的值，分別計算公式(16)對ω和b的偏導(dǎo)數(shù)，并將其結(jié)果置為0，可以得到以下公式：

60、

61、將公式(17)代入公式(16)，化簡后可得：

62、

63、將公式(18)轉(zhuǎn)化成對偶問題，通過求解以下公式(19)，得到αi的最優(yōu)解：

64、

65、

66、基于所述αi的最優(yōu)解，即可代入公式(16)依次求解，得到ω、b的最優(yōu)解，根據(jù)αi、ω、b的最優(yōu)解，最終得到一個最優(yōu)的分類平面和分類函數(shù)。

67、基于同一發(fā)明構(gòu)思，本發(fā)明還提供了一種基于機器學(xué)習(xí)的揚聲器異音檢測系統(tǒng)，用于所述的基于機器學(xué)習(xí)的揚聲器異音檢測方法，包括以下模塊：

68、數(shù)據(jù)預(yù)處理模塊，所述數(shù)據(jù)預(yù)處理模塊用于采集揚聲器音頻信號，對所述音頻信號進行預(yù)處理，得到多視圖數(shù)據(jù)集；

69、特征選擇模塊，所述特征選擇模塊用于對所述多視圖數(shù)據(jù)集進行無監(jiān)督特征選擇，得到特征選擇后的數(shù)據(jù)集；

70、分類器訓(xùn)練模塊，所述分類器訓(xùn)練模塊用于將所述特征選擇后的數(shù)據(jù)集劃分成訓(xùn)練集和測試集，通過所述訓(xùn)練集對分類器進行迭代訓(xùn)練，得到訓(xùn)練后的分類器；

71、異音檢測模塊，所述異音檢測模塊用于基于所述訓(xùn)練后的分類器對待測揚聲器進行異音檢測，得到檢測結(jié)果。

72、本發(fā)明還提供了一種非暫態(tài)計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)所述的基于機器學(xué)習(xí)的揚聲器異音檢測方法的步驟。

73、本發(fā)明的上述技術(shù)方案相比現(xiàn)有技術(shù)具有以下優(yōu)點：

74、1、多視圖數(shù)據(jù)處理：通過從音頻信號中提取梅爾頻率倒譜系數(shù)和語譜圖等多種特征，形成多視圖數(shù)據(jù)集，這種方法能夠更全面地捕捉音頻信號中的信息，提高異音檢測的準(zhǔn)確性和魯棒性。多視圖特征的結(jié)合有助于從不同角度解析音頻信號，減少單一特征可能帶來的信息缺失或誤導(dǎo)。

75、2、無監(jiān)督特征選擇：將偽標(biāo)簽學(xué)習(xí)與特征選擇融合在同一個學(xué)習(xí)框架中，采用無監(jiān)督特征選擇方法，能夠在沒有標(biāo)簽信息的情況下，自動選擇對分類任務(wù)最有用的特征，旨在保留原始數(shù)據(jù)中的判別信息，剔除冗余以及信息含量低的特征，用于提高后續(xù)分類模型的性能以及訓(xùn)練速度。

76、3、高度自動化與低人工干預(yù)：整個檢測流程高度自動化，從數(shù)據(jù)預(yù)處理、特征提取到分類器訓(xùn)練，大部分檢測步驟都可以自動完成，減少了人工干預(yù)的需求，提高了檢測效率和可靠性。