音频事件识别参数优化方法

目前音频处理领域各种系统的参数优化研究,通常把系统的各个层次(一般包括特征提取、特征向量生成、模型训练等)割裂开来进行相互独立的参数寻优,再将独立寻优结果进行简单组合,构成系统的参数取值。这种方法的前提假设是各个层次的参数选取相互独立,跨层次不会对识别效果造成影响,而实际的研究和应用中,这一假设并不能得到满足,因此需要联合各个层次的参数,选择适当的优化算法进行多层次参数联合优化,以提高系统参数优化的效率和效果。

不同的优化算法被应用于不同的音频处理领域的优化研究之中。遗传算法是一种随机搜索优化算法,是基于生物进化过程中选择、交叉和变异机制提出的。它具有不依赖于问题的梯度(或导数)信息,隐并行性,全局收敛的特点。遗传算法在最优化、模式识别、神经网络、图像处理、机器学习、工业优化控制、自适应控制、生物科学等领域都得到了应用。其中,最优化领域的成功应用,使遗传算法成为目前为止最为广泛和最为成功的进化算法。

遗传算法是模拟了生物进化机制的计算模型,是一种基于选择、交叉、变异的随机搜索算法。其主要特点是群体中各染色体的搜索机制和信息交互机制,在搜索过程中不依靠梯度信息,而且能够自动获悉和累积搜索空间的相关知识,并自动控制整个搜索过程从而快速地逼近最优解。因此遗传算法不同于传统的优化算法,具有良好的全局优化能力。

遗传算法的对象是群体中的所有个体,并在编码的参数空间中对参数进行快速随机搜索得到最优解。其中,遗传算法的三个基本操作是选择、交叉和变异;遗传算法的核心内容的五个要素是参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数。遗传算法一种经典的全局优化搜索算法,研究学者对其进行了全面的研究和改进,在各个领域都应用广泛,取得了良好的效果。

遗传算法的特点:

1.   自组织、自适应和自学习性;

2.   遗传算法的本质并行性;

3.   遗传算法不依赖于其他辅助内容,只需要针对目标函数和适应值函数进行相应的处理分析;

4.   遗传算法简单,适用能力强;

5.   对于目标函数,可以搜索到很多解,但选择权归使用者所有。

遗传算法基本原理如图1所示。音频事件识别参数优化方法

 图1  遗传算法原理图

音频事件识别系统多参数优化

多层次多参数优化的目的是解决多层次联合参数优化难以实现的问题,求解音频事件识别系统的底层特征提取层、特征向量生成层和模型训练层的参数最优值,提高系统识别准确率,并与现有的针对单一层次进行参数优化的研究方法进行对比分析,凸显出多层次联合参数优化方法的效果。将遗传算法应用于音频事件识别系统的多参数优化中,分析各层次的参数,设计多参数级联编码方法,提出针对模型训练算法的适应度函数,确定参数优化的循环终止条件,逼近最优解。

1      多层次多参数级联编码

在音频事件识别系统的多层次联合参数优化过程中,首要解决的是待优化参数的遗传编码问题。针对多个参数优化的情况,采用多参数级联编码,即将各个参数分别用二进制编码码制进行编码,然后将他们的编码按一定顺序连接在一起就组成了表示全部参数的个体编码,各个参数的上下界可以不同,编码精度也可有所不同。

设一个个体含有n个参数,音频事件识别参数优化方法采用二进制编码,建立位串空间。各维参数的二进制编码长度为li,那么x的编码从左到右依次构成总长度为的二进制编码位串。相应的遗传算法的编码空间为SL={a1,a2,,ak},K=2L。该空间上的个体位串结构为:音频事件识别参数优化方法根据所需的编码精度δ,则参数编码长度为音频事件识别参数优化方法

2       设定参数优化适应度函数

利用遗传算法进行参数优化,适应度函数是根据音频事件识别系统应用的机器学习方法确定的,因此需提出了基于AdaBoost算法的适应度函数。

在模型训练层应用AdaBoost算法,迭代结束得到的强分类器为音频事件识别参数优化方法

音频事件识别参数优化方法则在模型训练层应用遗传算法进行联合参数优化时,本文将个体的适应度函数定义为N个测试样本得到的次大的L(x)Lmax(x)’的和与最大的L(x)Lmax(x)的和的比值,定义公式如下:

音频事件识别参数优化方法

此时,当值越大时,分类器的区分程度越好,系统的识别准确率越高。

3      优化操作的循环终止条件

对各层次的参数进行优化后,音频事件识别系统的识别过程如图2所示。

音频事件识别参数优化方法

图2  音频事件识别系统识别过程

将音频事件识别系统的总体准确率作为性能指标。总体准确率反映多类别分类器的整体识别性能,可由经十折交叉得到的测试结果的混淆矩阵计算得到,对于给定的N维混淆矩阵C,总体准确率P的定义为:

音频事件识别参数优化方法

其中,混淆矩阵C的产生过程可见图2。

遗传优化算法中,迭代终止条件可采用音频事件识别系统的总体准确率作为迭代终止的依据,定义公式如下:

音频事件识别参数优化方法

其中Mx1x2,…,xk的均值,k=5表示进行测试的次数。当满足上式时,迭代终止。

 

利用遗传算法对多参数进行优化,验证了音频事件识别系统参数优化方法的有效性,解决了多层次参数优化问题。

 

 

高晓芳

2015.1.28

原创文章,作者:admin,如若转载,请注明出处:https://www.isclab.org.cn/2015/01/28/%e9%9f%b3%e9%a2%91%e4%ba%8b%e4%bb%b6%e8%af%86%e5%88%ab%e5%8f%82%e6%95%b0%e4%bc%98%e5%8c%96%e6%96%b9%e6%b3%95/

(0)
adminadmin
上一篇 2015年1月28日 下午3:13
下一篇 2015年1月28日 下午4:05

相关推荐

  • 源代码安全补丁存在性测试

    本报告围绕“源代码安全补丁存在性测试”展开,聚焦于如何自动识别开源软件中的安全补丁,解决安全补丁与普通补丁混杂、厂商静默发布、攻击窗口缩短等问题,介绍了一种结构感知的检测方法——R…

    2025年7月21日
    2.8K
  • 基于GAN的表格数据生成

    生成式对抗网络(GAN, Generative Adversarial Networks )是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一。本次学术报告将回顾关…

    2020年10月12日
    5.4K
  • Not all bytes are equal Neural byte siev

          简单高效的漏洞检测方法一直是信息系统安全领域研究的热点,微软研究人员借助机器学习和深度神经网络开发出一种用于…

    2019年1月21日
    2.6K
  • 特定安全领域中的对抗样本防御方法

    以深度学习为代表的人工智能技术正在悄然改变人们的生产生活方式,但深度学习模型的部署也带来了一定的安全隐患。对抗样本攻击能使深度学习模型系统进行误判,对各个人工智能应用领域造成了严重…

    2021年8月31日
    3.3K
  • APT攻击行为表示

    本报告介绍了APT攻击行为的基本概念,展示了APT攻击行为表示的方法原理,并分别讲述了面向恶意流量数据场景下的攻击行为检测技术和面向开源威胁情报场景下的攻击行为提取方法,最后简要梳…

    2024年5月19日
    2.9K
  • 多示例多标记学习

        本次学术报告主要讲解了多示例多标记学习(Multi-Instance Multi-Label learning),主要对多示例多标记…

    学术报告 2018年3月11日
    2.9K
  • 人工智能系统安全综述

    人类正在经历着由深度学习技术推动的人工智能浪潮,它为人类生产和生活带来了巨大的技术革新。然而,以往的机器学习理论大多没有考虑开放甚至对抗的系统运行环境,逐渐暴露出了许多安全和隐私问…

    2020年4月22日
    3.7K
  • 基于突变的模糊测试

    基于突变的模糊测试对于漏洞检测能力的开发和测试资源的利用较为重要,为了快速、高效地寻找到待测程序中的缺陷,需要提高模糊测试过程的测试效率。本次报告为大家介绍了基于突变的模糊测试的基…

    2024年6月19日
    2.6K
  • 走近特定音频识别(之四)—— 训练和识别

    上篇文章介绍了“识别”和“检索”的区别和关系,从这篇开始,我们将从更近的距离接触特定音频识别,本文将向大家介绍特定音频识别系统的基本构成。     一个典型的特定音频识别系统的原理…

    2014年10月28日
    2.9K