基于自适应遗传算法的多参数优化方法技术

本发明专利技术涉及一种基于自适应遗传算法的多参数优化方法。从应用场景的角度讲，属于音频事件识别技术领域；从技术实现的角度来讲，亦属于计算机科学与音频处理技术领域。首先，对数据进行预处理，提取音频训练样本的底层特征，生成特征向量，并使用AdaBoost算法训练音频事件识别模型；其次，将音频事件识别系统的底层特征提取层、特征向量生成层、模型训练层的多参数进行二进制级联编码；然后，设定参数优化适应度函数以及循环终止条件；最后，采用自适应遗传算法优化参数，逼近最优解。本发明专利技术所述方法，可以减少参数优化训练时间，提高音频事件识别系统的准确率，解决了音频事件识别系统难以实现多层次参数联合优化的问题。

Multi parameter optimization method based on adaptive genetic algorithm

The invention relates to a multiparameter optimization method based on an adaptive genetic algorithm. From the point of view of application, it belongs to the field of audio event recognition technology, and also belongs to the field of computer science and audio processing technology from the point of view of technical implementation. First, the data pretreatment, extraction of low-level features of audio samples, generating feature vectors, and using AdaBoost algorithm to train the audio event recognition model; secondly, the low-level features of audio event recognition system abstraction layer, feature vector generation multi parameter layer, model layer of binary encoding training; then, the optimization of fitness the function and the terminating condition of the loop parameters; finally, the parameter optimization of adaptive genetic algorithm, the approximate optimal solution. The method of the invention can reduce parameters, optimize training time, improve the accuracy rate of the audio event identification system, and solve the problem that the audio event identification system is difficult to realize the joint optimization of multi-level parameters.

【技术实现步骤摘要】
基于自适应遗传算法的多参数优化方法
本专利技术涉及一种基于自适应遗传算法的多参数优化方法。从应用场景的角度讲，属于音频事件识别
；从技术实现的角度来讲，亦属于计算机科学与音频处理

技术介绍
随着计算机和数字多媒体技术的快速发展，以及移动设备的大量普及应用，音频数据的数量迅速增长。音频数据是一种重要的媒体数据，包含了自然界中的各种可闻声，以及由专门设备合成的语音等，不仅是人们沟通和交流的重要载体，而且在生活中无处不在。音频事件识别技术基于音频数据，能够将音频流中的事件声音段落识别出来。它的应用领域十分广泛，如异常场景监控、交通监控以及敏感区域安全监测等方面。因此，音频事件识别技术在近年来得到了广泛的研究。随着音频事件识别技术的研究逐渐深入，系统架构和识别流程日益复杂，各个模块的参数数量不断增加，使得系统在参数优化过程中耗时多、人工介入程度深、参数取值容易陷入局部最优、多参的高分辨率优化无法实施。在当前的音频处理领域中，系统的参数优化方法通常是将系统的各个层次割裂开来进行独立寻优，再将寻优结果简单组合，构成最终的系统参数取值。但是这种方法假设每个层次的参数之间是相互独立的本文档来自技高网...

【技术保护点】
一种模型训练层AdaBoost算法的参数优化方法，其特征在于，所述方法包括以下步骤：步骤1，采集音频事件训练样本，使用AdaBoost算法训练音频事件识别模型，提取多层次参数；步骤2，对各个参数进行二进制编码，将编码按一定顺序级联；步骤3，优化操作的循环终止条件；步骤4，设定参数优化适应度函数；步骤5，配置自适应遗传算法的交叉概率Pc和变异概率Pm。

【技术特征摘要】
1.一种模型训练层AdaBoost算法的参数优化方法，其特征在于，所述方法包括以下步骤：步骤1，采集音频事件训练样本，使用AdaBoost算法训练音频事件识别模型，提取多层次参数；步骤2，对各个参数进行二进制编码，将编码按一定顺序级联；步骤3，优化操作的循环终止条件；步骤4，设定参数优化适应度函数；步骤5，配置自适应遗传算法的交叉概率Pc和变异概率Pm。2.根据权利要求1所述的方法，其特征在于，所述对各个参数进行二进制编码，将编码按一定顺序级联的步骤具体包括：步骤2.1，计算步骤1.2中的参数f1、f2、f3的编码位数，计算方法为：其中，x＝(x1,x2,…,xi,…,xn),xi∈[ui,υi],(i＝1,2,…,n)表示个体含有n个参数；步骤2.2，对步骤1.2中的参数f1、f2、f3进行多参数级联二进制编码，得到遗传位串F＝(f1,f2,…,fn)；步骤2.3，利用步骤2.1中的公式，计算步骤1.3中的参数M和N的编码长度；步骤2.4，对步骤1.3中的参数M和N进行多参数级联二进制编码，得到遗传位串G＝(g1,g2,…,gn)；步骤2.5，利用步骤2.1中的公式，计算步骤1.4中的参数T的编码长度；步骤2.6，对步骤1.4中的参数T进行多参数级联二进制编码，得到遗传位串M＝(m1,m2,…,mn)；步骤2.7，将步骤2.2、步骤2.4以及步骤2.6得到的遗传位串按顺序级联起来，组成表示全部参数的个体编码。3.根据权利要求1所述的方法，其特征在于，所述优化操作的循环终止条件的步骤具体包括：步骤3.1，利用十折交叉得到的测试结果的混淆矩阵计算总体准确率P：

【专利技术属性】
技术研发人员：罗森林，胡雅娴，潘丽敏，高晓芳，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11