2、声音场景与事件分析的机器学习方法

声音场景与事件分析的机器学习方法

1. 引言

在与计算声音场景和事件分析相关的每个应用中，进行计算的系统需要解决非常不同类型的任务。比如自动检测婴儿的哭声、用预定义的标签标记视频，或者检测手机是在室内还是室外。尽管这些任务看起来差异很大，但所使用的计算方法通常基于相同的原理，遵循相同的处理架构。

自然环境中的声音具有很大的多样性，语义相似的声音事件通常具有不同的声学特征。因此，手动开发用于检测声音场景或事件存在的计算指标，仅在非常简单的情况下可行，例如仅根据声音事件的响度来检测枪声。然而，在许多实际的计算分析系统中，目标声音的特征更加多样化，系统需要检测多种类型的声音。

不同分析系统的类别数量可能会有很大差异。最简单的检测系统仅使用两类声音：目标声音类和其他所有声音。理论上，类别数量没有上限，但实际上受限于用于开发系统的可用数据、可达到的准确性以及计算和内存要求。当存在多个目标类别时，系统还可以根据其是一次只能检测一个事件，还是能检测多个时间上重叠的事件（自然环境中常见）进行分类。分析大量不同的声音需要从声音信号中计算更多的参数，并使用机器学习等自动方法来区分不同类型的声音。

大多数处理现实声音的计算分析系统基于监督机器学习方法，即使用每个目标声音类型的标记示例来训练系统。监督学习方法要求系统开发者预先定义一组可能的场景（如街道、家庭、办公室）或事件（如汽车经过、脚步声、狗叫声）类别，并且有足够的标记示例来训练系统。虽然无监督学习和半监督学习等其他机器学习技术也适用，但监督学习方法是分析声音场景和事件最常用的方法。

2. 音频分析系统概述

音频分析系统通常包含以下主要处理模块：
- 信号预