基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
针对特定音频事件识别中持续时间特别短的音频事件漏检概率高、识别速度较慢的问题,提出一种融合高斯混合模型(GMM)及支持向量机(SVM)的特定音频事件识别算法.该方法利用GMM的统计分布描述能力和SVM的推广泛化能力,将GMM和SVM分别识别的结果进行融合处理,以手枪、步枪、机关枪等10类以上枪声为实验数据,无需针对每种枪声生成相应的识别模板,仅需训练生成2个识别模板.实验结果表明,识别准确率达到92.71%.该方法模板数量少,不需要多次训练,算法复杂度较低,不仅便于应用而且可大幅提升识别效率.
推荐文章
基于两种GMM-UBM多维概率输出的SVM语音情感识别
语音情感识别
特征向量同维GMM-UBM多维概率输出
GMM阶数同维GMM-UBM多维概率输出
支持向量机(SVM)
基于卷积神经网络的交通声音事件识别方法
Gammatone滤波器
卷积神经网络
音频事件识别
公路交通环境
声音数字信号
子带滤波
基于LLE和LS-SVM的人脸识别方法
人脸识别
主成分分析
局部线性嵌套
最小二乘支持向量机
雷达辐射源音频信号声纹识别方法
雷达辐射源
音频信号
声纹识别
MFCC
DTW
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 融合GMM及SVM的特定音频事件高精度识别方法
来源期刊 北京理工大学学报 学科 工学
关键词 音频识别 高斯混合模型(GMM) 支持向量机(SVM) Mel频率倒谱系数(MFCC) 特定音频事件
年,卷(期) 2014,(7) 所属期刊栏目 信息与控制
研究方向 页码范围 716-722
页数 分类号 TP391
字数 语种 中文
DOI
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 罗森林 北京理工大学信息与电子学院 121 821 14.0 23.0
2 潘丽敏 北京理工大学信息与电子学院 66 402 10.0 17.0
3 王坤 北京理工大学信息与电子学院 25 101 4.0 10.0
4 李金玉 北京理工大学信息与电子学院 2 9 2.0 2.0
5 谢尔曼 北京理工大学信息与电子学院 8 29 2.0 5.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (12)
共引文献  (11)
参考文献  (4)
节点文献
引证文献  (4)
同被引文献  (16)
二级引证文献  (6)
1990(1)
  • 参考文献(0)
  • 二级参考文献(1)
1995(2)
  • 参考文献(0)
  • 二级参考文献(2)
1997(1)
  • 参考文献(0)
  • 二级参考文献(1)
1999(2)
  • 参考文献(1)
  • 二级参考文献(1)
2002(1)
  • 参考文献(0)
  • 二级参考文献(1)
2005(1)
  • 参考文献(0)
  • 二级参考文献(1)
2006(2)
  • 参考文献(0)
  • 二级参考文献(2)
2007(3)
  • 参考文献(0)
  • 二级参考文献(3)
2009(1)
  • 参考文献(1)
  • 二级参考文献(0)
2010(1)
  • 参考文献(1)
  • 二级参考文献(0)
2011(1)
  • 参考文献(1)
  • 二级参考文献(0)
2014(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2017(1)
  • 引证文献(1)
  • 二级引证文献(0)
2018(1)
  • 引证文献(0)
  • 二级引证文献(1)
2019(6)
  • 引证文献(2)
  • 二级引证文献(4)
2020(2)
  • 引证文献(1)
  • 二级引证文献(1)
研究主题发展历程
节点文献
音频识别
高斯混合模型(GMM)
支持向量机(SVM)
Mel频率倒谱系数(MFCC)
特定音频事件
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
北京理工大学学报
月刊
1001-0645
11-2596/T
大16开
北京海淀区中关村南大街5号
82-502
1956
chi
出版文献量(篇)
5642
总下载数(次)
13
总被引数(次)
57269
  • 期刊分类
  • 期刊(年)
  • 期刊(期)
  • 期刊推荐
论文1v1指导