聲學(xué)事件檢測理論與方法

前言
第1章 緒論
1．1 聲學(xué)事件檢測技術(shù)的發(fā)展
1．1．1 聲學(xué)事件檢測的起源與發(fā)展脈絡(luò)
1．1．2 基于特征的聲學(xué)事件檢測
1．1．3 基于模型的聲學(xué)事件檢測
1．2 聲學(xué)事件檢測技術(shù)的應(yīng)用
1．3 聲學(xué)事件檢測系統(tǒng)的結(jié)構(gòu)
1．4 本書的結(jié)構(gòu)
第2章 聲學(xué)事件檢測中的常用特征和模型
2．1 聲學(xué)事件檢測中的常用特征
2．1．1 聲音信號的數(shù)字化
2．1．2 聲音信號的時域特征
2．1．3 聲音信號的頻域特征
2．1．4 聲音信號的時頻域特征
2．1．5 特征降維與選擇
2．2 聲學(xué)事件檢測中的常用模型
2．2．1 淺層模型
2．2．2 深度模型
2．3 本章小結(jié)
第3章 基于基頻段特征的聲學(xué)事件檢測
3．1 引言
3．2 長時特征提取
3．2．1 長時統(tǒng)計(jì)特征提取
3．2．2 基于基頻段的特征提取
3．3 基于長時統(tǒng)計(jì)特征的聲學(xué)事件檢測
3．3．1 基于單分類器和多分類器融合的聲學(xué)事件檢測
3．3．2 基于類內(nèi)細(xì)分聚類的聲學(xué)事件檢測
3．3．3 基于拒識和確認(rèn)的聲學(xué)事件檢測
3．4 實(shí)驗(yàn)和結(jié)果
3．4．1 實(shí)驗(yàn)設(shè)置
3．4．2 實(shí)驗(yàn)結(jié)果與分析
3．5 本章小結(jié)
第4章 基于混合模型的聲學(xué)事件檢測
4．1 引言
4．2 偽高斯混合模型
4．2．1 偽高斯混合模型的構(gòu)建
4．2．2 偽高斯混合模型參數(shù)估計(jì)的EM算法．
4．3 異質(zhì)混合模型
4．3．1 多變量Logistic混合模型的可辨識性
4．3．2 異質(zhì)混合模型的構(gòu)建
4．3．3 異質(zhì)混合模型的參數(shù)估計(jì)
4．4 實(shí)驗(yàn)和結(jié)果
4．4．1 基于偽高斯混合模型的聲學(xué)事件檢測
4．4．2 基于異質(zhì)混合模型的聲學(xué)事件檢測
4．5 本章小結(jié)
第5章 基于稀疏低秩特征的聲學(xué)事件檢測
5．1 引言
5．2 基于稀疏表示特征的聲學(xué)事件檢測
5．3 基于低秩矩陣表示特征的聲學(xué)事件檢測
5．3．1 低秩矩陣表示特征提取
5．3．2 低秩矩陣分類的問題描述．
5．3．3 基于加速近似梯度方法的矩陣分類學(xué)習(xí)
5．4 基于低秩張量表示特征的聲學(xué)事件檢測
5．4．1 張量計(jì)算相關(guān)記號．
5．4．2 低秩張量表示特征提取
5．4．3 基于加速近似梯度方法的張量分類學(xué)習(xí)
5．5 實(shí)驗(yàn)和結(jié)果
5．5．1 基于稀疏表示特征的聲學(xué)事件檢測
5．5．2 基于低秩矩陣表示特征的聲學(xué)事件檢測
5．5．3 基于低秩張量表示特征的聲學(xué)事件檢測
5．6 本章小結(jié)
第6章 基于松弛邊際下模型訓(xùn)練的聲學(xué)事件檢測
6．1 引言
6．2 基于跡范限制下的最大邊際矩陣分類
6．2．1 基于跡范限制與松弛邊際的矩陣分類問題描述
6．2．2 基于交替搜索方式的矩陣分類學(xué)習(xí)算法
6．3 基于跡范限制下的最大邊際張量分類
6．3．1 基于跡范限制與松弛邊際的張量分類問題描述
6．3．2 基于交替搜索方式的張量分類學(xué)習(xí)算法
6．4 實(shí)驗(yàn)和結(jié)果
6．5 本章小結(jié)
第7章 基于在線并行模型訓(xùn)練的聲學(xué)事件檢測
7．1 引言
7．2 在線并行的矩陣數(shù)據(jù)分類學(xué)習(xí)方法
7．2．1 基于加速近似梯度方法的矩陣分類在線學(xué)習(xí)
7．2．2 基于逼近加速近似梯度方法的在線學(xué)習(xí)
7．2．3 基于小批量更新的在線學(xué)習(xí)
7．2．4 基于并行計(jì)算加速的矩陣分類學(xué)習(xí)
7．3 在線并行的張量數(shù)據(jù)分類學(xué)習(xí)方法
7．4 實(shí)驗(yàn)和結(jié)果
7．4．1 基于在線并行學(xué)習(xí)的低秩矩陣特征分類
7．4．2 基于在線并行學(xué)習(xí)的低秩張量特征分類
7．5 本章小結(jié)
第8章 基于錨空間的聲學(xué)事件檢測
8．1 引言
8．2 錨模型簡介
8．3 基于狀態(tài)變化統(tǒng)計(jì)量的錨空間聲學(xué)事件檢測
8．3．1 基于狀態(tài)變化統(tǒng)計(jì)量的錨空間生成方法
8．3．2 實(shí)驗(yàn)與討論
8．4 基于高斯混合模型錨空間的聲學(xué)事件檢測
8．4．1 基于高斯混合模型錨空間的目標(biāo)與集外錨模板的生成
8．4．2 基于高斯混合模型的聲學(xué)事件檢測機(jī)制
8．5 基于稀疏分解錨空間的聲學(xué)事件檢測
8．5．1 基于稀疏分解錨空間的目標(biāo)與集外錨模板的生成
8．5．2 基于稀疏分解的聲學(xué)事件檢測機(jī)制
85．3 實(shí)驗(yàn)與討論
8．6 本章小結(jié)
第9章 面向大數(shù)據(jù)環(huán)境下聲學(xué)事件檢測的凸優(yōu)化理論
9．1 引言
9．2 與聲學(xué)事件檢測相關(guān)的凸優(yōu)化理論
9．2．1 早期凸優(yōu)化
9．2．2 凸優(yōu)化基礎(chǔ)
9．2．3 一階方法的動機(jī)
9．3 光滑與非光滑的凸優(yōu)化一階方法
9．3．1 光滑目標(biāo)
9．3．2 復(fù)合優(yōu)化目標(biāo)函數(shù)
9．3．3 近端目標(biāo)
9．4 隨機(jī)化技術(shù)
9．5 并行和分布式計(jì)算
9．6 本章小結(jié)
第10章 面向大數(shù)據(jù)處理的支持向量機(jī)模型的加速算法
10．1 隨機(jī)對偶坐標(biāo)上升法
10．1．1 問題描述及相關(guān)工作
10．1．2 基于對偶間隙邊界的SDCA收斂性分析
10．2 加速近端隨機(jī)對偶坐標(biāo)上升法
10．2．1 問題描述及相關(guān)工作
10．2．2 基于對偶間隙邊界的Prox-SDCA收斂性分析
10．3 本章小結(jié)
第11章 面向大數(shù)據(jù)處理的深度模型的加速算法
11．1 引言
11．2 全梯度與隨機(jī)梯度下降算法
11．3 加速梯度算法
11．4 指數(shù)型收斂的隨機(jī)梯度下降算法
11．4．1 隨機(jī)平均梯度法．
11．4．2 隨機(jī)方差減梯度方法
11．5 坐標(biāo)梯度下降算法
11．6 本章小結(jié)
第12章 面向大數(shù)據(jù)的通用型在線及隨機(jī)梯度下降算法
12．1 引言
12．2 通用在線梯度法
12．2．1 通用的在線原始梯度方法
12．2．2 通用的在線對偶梯度方法
12．2．3 通用的在線快速梯度方法
12．3 通用隨機(jī)梯度法
12．3．1 算法描述
12．3．2 收斂性分析
12．4 數(shù)值實(shí)驗(yàn)
12．4．1 LASSO問題
12．4．2 施泰納問題
12．5 本章小結(jié)
第13章 面向大數(shù)據(jù)的牛頓型隨機(jī)梯度下降算法
13．1 引言
13．2 近端牛頓型隨機(jī)梯度法
13．2．1 正則化的二次模型
13．2．2 Hessian矩陣的近似
13．3 算法的收斂性分析
13．4 數(shù)值實(shí)驗(yàn)
13．5 本章小結(jié)
第14章 基于聲學(xué)事件檢測的行車周邊聲音環(huán)境感知
14．1 引言
14．2 實(shí)驗(yàn)環(huán)境與基線系統(tǒng)
14．3 基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)噪聲建模的聲學(xué)事件檢測
14．4 基于等響度曲線的聲學(xué)事件檢測
14．5 基于基頻軌跡特征的聲學(xué)事件檢測
14．6 本章小結(jié)
第15章 音頻場景識別
15．1 引言
15．2 基于高斯直方圖特征的音頻場景識別
15．2．1 高斯直方圖特征
15．2．2 分類模型
15．3 基于遷移學(xué)習(xí)的音頻場景識別
15．3．1 遷移學(xué)習(xí)概述
15．3．2 基于樣本平衡化的音頻場景識別
15．3．3 基于改進(jìn)樣本平衡化的音頻場景識別
15．4 實(shí)驗(yàn)和結(jié)果
15．5 本章小結(jié)
參考文獻(xiàn)