[发明专利]基于快速稀疏分解和深度学习的生态声音识别方法

权利要求书

1.一种基于快速稀疏分解和深度学习的生态声音识别方法，其特征在于，包括以下步骤：

S01：分别对纯净声音和测试带噪声音进行OMP稀疏分解，对应输出纯净声音和测试带噪声音的重构信号和OMP特征；

S02：分别对纯净声音和测试带噪声音提取包括OMP特征在内的复合特征；

S03：对重构后的纯净声音提取的复合特征进行DBN模型训练；

S04：对重构后的测试带噪声音和训练后的纯净声音提取的复合特征进行DBN模型分类，输出测试带噪声音所属的生态声音类别。

2.根据权利要求1所述的基于快速稀疏分解和深度学习的生态声音识别方法，其特征在于，假设待分解信号f，长度为N，进行稀疏分解之前，首先构造过完备原子字典D=(g_γ)_γ∈Γ，时频原子g_γ是Gabor原子，由参数组γ=(s,u,v,w)定义，平移因子u定义一个原子g_γ的中心位置，伸缩因子s，频率因子v和相位因子w定义其波形，其离散化时频参数γ=(s,u,v,w)=(a^j,pa^jΔu,ka^-jΔv,iΔw)，其中，0<j≤log₂N，0≤p≤N2^-j+1，0≤k<2^j+1，0≤i≤12，a=2，Δu=1/2，Δv=π，Δw=π/6；所述步骤S01具体步骤包括：

S011：初始化信号残差R₀f=f，迭代次数k=1，最大迭代次数L；

S012：从过完备原子字典D中选出第k次迭代与信号残差最为相关的原子g_γk，

|<Rkf,gγk>|≥αsupγ∈Γ|<Rkf,gγ>|,0<α≤1;]]>

S013：判断||R_kf||<ε，（ε>0）是否成立，ε为设定的残余信号阈值，若||R_kf||<ε成立，则转步骤S016结束分解，若不成立，继续分解；

S014：利用Gram-Schmidt方法将g_γk关于已选原子集g_γp(0<p≤k)正交化得到投影P_k并分别计算新的近似重构信号f=P_kf+R_kf和残差R_kf；

S015：若还未达到最大迭代次数，设置k=k+1，返回步骤S012继续迭代，否则转步骤S016；

S016：通过逐次分解得到一系列原子，输出第L次近似原子展开式