一種用于提高音頻分類器的gdm特征選擇方法
【專利摘要】本發(fā)明公開了一種用于提高音頻分類器性能的GDM特征選擇方法，對每一種音頻類型c，c∈[1,C]，訓(xùn)練每種特征f的高斯混合模型Gfc；挑選第一個特征f1，對每一個特征，計(jì)算每兩類別之間的分離度，選擇第一個特征滿足使所有類別之間的平均分離度最大；在選出第一個特征f1后，從待選擇的特征集合中去掉特征f1，并找出f1對應(yīng)的各個類別中分離度最小的兩個類c1和c2；選擇第二個特征f2，選擇使得步驟三中找出的兩個類c1和c2分離度最大的特征f2；在選出第二個特征f2后，從待選則特征集合中去掉特征f2，并用選出的特征f1和f2組成一個特征矢量，最終得到選出的特征為。本發(fā)明選出的特征子集能夠使得最容易混淆的類別區(qū)分性最好，能夠提高分類器整體的分類精度。
【專利說明】一種用于提高音頻分類器的GDM特征選擇方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于音頻特征提取領(lǐng)域，尤其涉及一種用于提高音頻分類器的GDM特征選擇方法。

【背景技術(shù)】
[0002]音頻特征，是影響音頻分類器性能的另一關(guān)鍵因素。一段原始音頻流本身僅僅是一種非語義符號表示和非結(jié)構(gòu)化的二進(jìn)制流，除了含有采樣頻率、量化精度以及編碼方法等有限的信息外，本身并不包含明確的結(jié)構(gòu)信息和語義信息。
[0003]人耳具有極強(qiáng)的分辨能力，給定一段音頻流，不僅可以立即分辨出音頻的類型，還能分辨出音頻中說話人的情緒以及音樂的基調(diào)(興奮或壓抑等)等很難描述的聲音特征。要使計(jì)算機(jī)能夠具備像人耳一樣對音頻進(jìn)行分類和識別的功能，首先需要將音頻流從一系列的二值符號轉(zhuǎn)變?yōu)槟軌蚍从巢煌纛l類型之間差異的特征參數(shù)，即特征提取。特征提取是各種分類問題的基礎(chǔ)。
[0004]根據(jù)特定問題和特定領(lǐng)域的性質(zhì)，選擇有明顯區(qū)分能力的特征，是設(shè)計(jì)分類過程中非常關(guān)鍵的一部分。在有限訓(xùn)練樣本的情況下，我們希望用盡可能少的特征設(shè)計(jì)具有良好通用性的分類器。
[0005]傳統(tǒng)特征選擇的算法基于使所有類別的平均離散程度最大(GMM based MeanSeparability Maximizat1n,簡稱GMSM)準(zhǔn)則,這種特征選擇算法的性能很容易受易分類別的影響。而實(shí)際上，多類音頻分類器的性能除了受易分類別的影響外，更多的是受易混淆類別的影響，要提高分類器的性能，提高易混淆類別間的分類精度是問題的關(guān)鍵所在，因此，特征選擇時，應(yīng)該選取那些使得易混淆類別更容易區(qū)分的特征。


【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的在于提供一種用于提高音頻分類器的GDM特征選擇方法，旨在提高易混淆類別間的分類精度。
[0007]本發(fā)明是這樣實(shí)現(xiàn)的，一種用于提高音頻分類器的GDM特征選擇方法的具體步驟如下:
[0008]步驟一、訓(xùn)練模型，對每一種音頻類型C，c e [1，C]，訓(xùn)練每種特征f的高斯混合模型Gf。；
[0009]步驟二、挑選第一個特征，對每一個特征，計(jì)算每兩類別之間的分離度，選擇第一個特征滿足使所有類別之間的平均分離度最大，即:
[0010]

【權(quán)利要求】
1.一種用于提高音頻分類器的GDM特征選擇方法，其特征在于，所述的用于提高音頻分類器的GDM特征選擇方法的具體步驟如下: 步驟一、訓(xùn)練模型，對每一種音頻類型c，c e [1，C]，訓(xùn)練每種特征f的高斯混合模型Gfc ； 步驟二、挑選第一個特征Π，對每一個特征，計(jì)算每兩類別之間的分離度，選擇第一個特征滿足使所有類別之間的平均分離度最大，即:./; = arg max V V S1 (Gil, Gij);
步驟三、在選出第一個特征fi后，從待選擇的特征集合中去掉特征fi，并找出fi對應(yīng)的各個類別中分離度最小的兩個類C1和C2,即:
步驟四、選擇第二個特征f2，選擇使得步驟三中找出的兩個類C1和C2分離度最大的特征4，即:
步驟五、在選出第二個特征f2后，從待選則特征集合中去掉特征f2，并用選出的特征和f2組成一個特征矢量，迭代步驟三-步驟四，在迭代時，用下面的公式分別代替步驟三和步驟四中的兩個公式，即:
其中，I表示迭代的次數(shù)； 判斷是否滿足迭代截止條件，若1〈L，則返回步驟三，否則，停止迭代，得到選出的特征為:4，f2，…，fL。
2.如權(quán)利要求1所述的用于提高音頻分類器的GDM特征選擇方法，其特征在于，用于提高音頻分類器的GDM特征選擇方法的問題描述如下: 假設(shè)有C個音頻類型，F(xiàn)種特征，要從中選出L個子特征，首先，對于每一種特征f，訓(xùn)練每一個類別的高斯混合模型GMMf。，c e [1，C]，第c類高斯混合分布的概率密度函數(shù)為:
其中,K表示混合分量的個數(shù)，?c = (Ji 1；..., Ji κ, θ 1；..., θ κ),表示模型的參數(shù)，π j,表示第i個混合分量的權(quán)重，滿足約束條件
Qi= {μ” Σ^，表示第i個混合分?-1量的參數(shù)； P (Xl θ J為每一個高斯分量，其表達(dá)形式如下:
其中，μ i為D維的均值矢量，表示高斯分量的均值； Si SDXD的協(xié)方差矩陣； 定義兩個類別之間的分離度(Separability)為:
Sf (GMMfk, GMMfl) = dis (GMMfk, GMMfl) dis(.，.)表示兩個高斯混合模型之間的距離，采用改進(jìn)的對稱距離度量K-L2距離，計(jì)算公式如下:
【文檔編號】G06K9/62GK104077382SQ201410298526
【公開日】2014年10月1日 申請日期:2014年6月27日 優(yōu)先權(quán)日:2014年6月27日
【發(fā)明者】王榮燕, 戎麗霞 申請人:德州學(xué)院