[发明专利]声学场景分类模型训练方法、装置、智能终端及存储介质

权利要求书

1.一种声学场景分类模型训练方法，其特征在于，所述方法包括：

获取训练数据，其中,所述训练数据包括样本音频和样本音频对应的真实标签；

提取所述样本音频的第一特征信号，并将所述第一特征信号进行切片和扩容后得到第二特征信号；将所述第二特征信号输入声学场景分类模型，通过所述声学场景分类模型输出预测声学场景类别；其中，所述声学场景分类模型通过对残差神经网络进行改进得到；

根据所述预测声学场景类别和所述真实标签对所述声学场景分类模型进行训练，以得到已训练的声学场景分类模型。

2.根据权利要求1所述的声学场景分类模型训练方法，其特征在于，所述获取训练数据之前包括：

获取声学场景类别；其中，所述声学场景类别基于音频频域能量分布状态进行划分。

3.根据权利要求1所述的声学场景分类模型训练方法，其特征在于，所述提取所述样本音频的第一特征信号包括：

对所述样本音频进行重采样，得到第一音频；

将所述第一音频转换为第一数字信号，并对所述第一数字信号进行归一化处理，得到第二数字信号；

基于对数梅尔频谱方式获取所述第二数字信号的频域特征，得到所述样本音频的第一特征信号；其中，所述对数梅尔频谱采用若干梅尔滤波器组。

4.根据权利要求1所述的声学场景分类模型训练方法，其特征在于，所述将所述第一特征信号进行切片和扩容后得到第二特征信号包括：

将所述第一特征信号进行切片，得到若干子特征信号；

将若干所述子特征信号分成若干组，得到若干第一信号组；

将若干所述第一信号组进行二次分组，得到若干第二信号组；其中，各个第二信号组之间具有预设长度的重叠信号；

基于所述真实标签，将若干所述第二信号组进行标记；

随机打乱经过标记后的若干所述第二信号组的顺序，得到若干第三信号组；

将若干所述第三信号组进行批量化，得到第二特征信号。

5.根据权利要求1所述的声学场景分类模型训练方法，其特征在于，所述声学场景分类模型包括：第一卷积层、最大池化层、若干改进后的残差模块、第二卷积层、第三卷积层和第四卷积层；

所述将所述第二特征信号输入声学场景分类模型，通过所述声学场景分类模型输出预测声学场景类别包括：

将所述第二特征信号输入所述第一卷积层，得到第一卷积图；

将所述第一卷积图输入所述最大池化层，得到第二卷积图；

将所述第二卷积图依次输入各个改进后的残差模块，得到第三卷积图；

将所述第三卷积图依次输入第二卷积层、第三卷积层和第四卷积层，得到预测声学场景类别。

6.根据权利要求5所述的声学场景分类模型训练方法，其特征在于，所述改进后的残差模块包括改进的残差层和第一残差层；其中，改进的残差层包括第二残差层和线性处理模块；所述线性处理模块由卷积层和归一化层组成，用于对改进的残差层的输入进行线性变换。

7.一种声学场景分类模型训练装置，其特征在于，所述装置包括：

训练数据获取模块，用于获取训练数据，其中所述训练数据包括样本音频和样本音频对应的真实标签；

预测声学场景类别获取模块，用于提取所述样本音频的第一特征信号，并将所述第一特征信号进行切片和扩容后得到第二特征信号；将所述第二特征信号输入声学场景分类模型，通过所述声学场景分类模型输出预测声学场景类别；

声学场景分类模型获取模块，用于根据所述预测声学场景类别和所述真实标签对所述声学场景分类模型的模型参数进行调整，并继续执行将所述第二特征信号输入声学场景分类模型的步骤，直至满足预设的训练条件，以得到已训练的声学场景分类模型。

8.一种声学场景分类方法，其特征在于，所述方法包括：

获取待分类音频，并提取所述音频的第一特征；

将所述第一特征输入已训练的声学场景分类模型中，以得到与待分类音频对应的声学场景类别；其中所述已训练的声学场景分类模型为权利要求1-6中任一项所述的声学场景分类模型。