王鹏程,崔 敏,李 剑,王彦博,赵 欣,孔庆珊

(1.中北大学 信息探测与处理山西省重点实验室,太原 030051；2.北方科技信息研究所,北京 100089； 3.山东省军区数据信息室,济南 250099)

0 引言

声目标分类是实现声源识别的主要方法[1]，指的是将声信号数据与目标标签相关联，从而实现声信号到声源类别的识别。

声音信号识别的经典方法有高斯混合模型(GMMs, gaussian mixture model)[2]，支持向量机(SVM, support vector machines)[3]，隐马尔可夫模型(HMM, hidden Markov model)[4]等经典机器学习方法，由于采用手工设计特征并识别的方法，通常能取得非常准确的效果。但这些方法无法自动提取特征，在识别新信号时往往表现较差，仍然需要重新做算法开发，存在适用范围小、泛化能力差的问题。

深度学习近年来蓬勃发展，凭借其在计算机视觉[5]、自然语言[6]、生物信息学[7]等领域的独特优势，成为众多学者的研究热点[8-9]，在文字[10]，图像[11]和声音[7]等数据的解析方面有很大的应用价值，能够学习样本数据的内在规律和表示层次，解决了很多复杂的模式识别难题。

将其应用于声目标分类识别也取得了很好的效果。或是使用卷积神经网络技术(CNN, convolutional neural networks)直接从声谱图数据中识别特征[12]，或是通过无监督学习技术根据数据间特征的相似性进行分组(聚类算法)[13]，又或者将多种CNN网络融合后进行多时间分辨率分析和多级特征提取[14]，这些声目标分类方法不需要人工提取特征，且识别精度可观。然而，由于模型参数量巨大，容易过拟合，这使得在处理低复杂度样本时会很困难。然而，在具体的声源识别应用中，往往缺乏大规模的训练数据，无法满足模型高样本复杂度的要求。……