我找到了一些使用深度学习进行音频分类的论文和幻灯片。
一些研究使用频谱图作为深度学习模型的输入。
我想知道确切和实际的实现。
我找到了 this slide .
第 67 页
据我了解，第一层节点数为24，输入为24个不同时间段的频谱图。
例如，如果一个音频事件是 2.4 秒，第一个节点是 0~0.1 秒的频谱图，第二个节点是 0.1~0.2 秒的频谱图……
我误会了吗？
我的问题:如果有 3.0 秒的音频事件，如何分类？
最佳答案
我设法使用 对时间序列数据进行分类卷积神经网络 .卷积神经网络与人工神经网络基本相同。唯一的区别是，ANN 的输入必须是 卷积 首先提取特定的特征。以直观的方式，卷积运算基本上突出了某些数据的特定特征。最好通过手电筒照射图像的不同部分来描绘它。通过这样做，我们可以突出图像的特定特征。
这就是CNN的主要思想。它本质上是为了提取空间特征而设计的。卷积操作通常是堆叠的，这意味着你有 (row,column,dimensions) 所以卷积的输出是 3 维。这个过程的缺点是计算时间长。为了减少这种情况，我们需要 池化 或 下采样这基本上减少了特征检测器的大小而不会丢失基本特征/信息。例如，在池化之前，您有 12 个 6,6 矩阵作为特征检测器。合并后，您有 12 个大小为 3,3 的卷积数据。你可以在之前反复做这两步压扁它基本上将所有这些压缩到 (n,1) 维数组中。之后，您可以执行正常的 ANN 步骤。
简而言之，可以使用 CNN 完成对时间序列数据进行分类的步骤。以下是步骤:
1.卷积
2.Pooling
3.展平
4.全连接(正常ANN步骤)
您可以随心所欲地添加卷积和池化层，但要注意训练时间。有这个video由我最喜欢的 YouTube 用户 Siraj Raval 提供。顺便说一句，我建议你使用Keras用于深度学习。传递最容易使用的深度学习库。希望能帮助到你。
关于speech-recognition - 深度学习的音频功能，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/35169706/