The invention provides an acoustic source localization algorithm based on the convolution neural network CNN. By this method, introduce the characteristics of differential cross-correlation function of the received signal using the Roomsim simulation environment and two microphones, get in with the cross-correlation function of reverberation and noise environment, and interception by the training set and test set, the characteristics of the training convolutional neural network, CNN model, training in the process of using the ReLU function as the activation function, and the test set for sound source localization estimation in this model, finally using Bayesian decision to construct discriminatorfor decided to test the sample type, make the conditional probability p (rs|Y) the maximum position is to estimate the true position of sound source. The implementation of this algorithm effectively solves the problem of noise and reverberation in the traditional sound source location.
【技术实现步骤摘要】
一种基于卷积神经网络CNN的声源定位算法
本专利技术涉及一种基于神经网络CNN的声源定位算法研究,属于信息
技术介绍
对于声源定位算法来说,如何提高抗噪声和抗混响能力是长久以来的研究重心,在实际的环境下,当信噪比很小、混响严重的情况下,基于传统算法的改进措施很难有明显的效果。此外当麦克风无法接收到声源的直达声时,也难以定位。本专利技术提出使用卷积神经网络CNN鉴别相位变换加权广义互相关函数(GCC-PHAT)来进行声源定位。实验表明,卷积神经网络CNN在低信噪比和严重混响环境下有更出色的定位性能。卷积神经网络CNN是一种前馈神经网络,是受生物学上感受野的机制而提出的,CNN以其局部连接,局部权值共享的结构特性在语音识别和图像处理方面有着独特的优越性。其思想是CNN由一组或多组卷积层和采样层构成,一个卷积层中包含若干个不同的卷积器,这些卷积器对语音的各个局部特征进行观察。采样层通过对卷积层的输出结点做固定窗长的采样,减少下一层的输入结点数,从而控制模型的复杂度。一般采样层采用最大采样算法,即对固定窗长内的结点选取最大值进行输出。对于一维卷积神经网络,在采用卷积来代替全连接的卷积神经网络中,第l层的每一个神经元都只和l-1层的一个局部窗口内的神经元相连,构成一个局部连接网络。第l层的第i个神经元的输入定义为:上述公式也可以写为:其中,f(x)为激活函数,本专利技术激活函数采用ReLU函数,为l-1层神经元输出的加权偏置,为m维的滤波器,为其权值,为神经元输入,b(l)为偏置,的下标从1开始,表示卷积运算。从公式(1.2)可以看出,w(l)对于所有的神 ...
【技术保护点】
一种基于卷积神经网络CNN的声源定位算法,其特征在于,包括以下步骤:步骤1:利用Roomsim工具包模拟出在带有混响和噪声的室内环境,根据两个麦克风接收到的信号x1(t)和x2(t),计算出麦克风接收信号的互相关函数
【技术特征摘要】
1.一种基于卷积神经网络CNN的声源定位算法,其特征在于,包括以下步骤:步骤1:利用Roomsim工具包模拟出在带有混响和噪声的室内环境,根据两个麦克风接收到的信号x1(t)和x2(t),计算出麦克风接收信号的互相关函数再进行分帧截取及特征提取,得到训练集,为下一步的模型训练做准备。步骤2:将互相关函数特征作为输入,按照一维CNN进行模型训练,训练过程中,激活函数采用ReLU函数,其数学表达式为:f(x)=max(0,x)(1.12)步骤3:计算出CNN模型参数后,即完成模型训练后,利用和生产训练数据一样的方法得到测试数据Y',将其输入CNN模型后,利用贝叶斯决策来构建判决式决定测试样本的类别,即利用高斯概率模型对类条件概率密度P(z|Ck)建模,然后根据贝叶斯决策最大化正确分类率:
【专利技术属性】
技术研发人员:万新旺,王吉,廖鹏程,陈中倩,
申请(专利权)人:南京邮电大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。