典型文献
用于声音分类的Deep LightGBM算法
文献摘要：
在医学诊断、场景分析、语音识别、生态环境分析等方面语音分类都有着广泛的应用价值.传统的语音分类器采用的是神经网络.但是在精确度,模型设置,参数调整和资料的预处理等方面,有较大的缺陷.在这一基础上,文章提出了一种以"深度森林"为基础的改进方法——LightGBM的深度学习模型(Deep LightGBM模型).它能够在保证模型简洁的前提下,提高分类精度和泛化能力.该算法有效降低了参数依赖性.在UrbanSound8K这一数据集中,采用向量方法进行语音特征的提取,其分类精确度达95.84％.将卷积神经网络(Convolutional Neural Net-work,CNN)抽取的特征和向量法获取的特征进行融合,并利用新的模型进行训练,其准确率可达97.67％.实验证明,此算法采用的特征提取方式与Deep LightGBM配合获得的模型参数调整容易,精度高,不会产生过度拟合,并且泛化能力好.
文献关键词：
声音分类;LightGBM算法;深度森林;特征融合;特征提取
中图分类号：
作者姓名：
李行健;汤心溢;张瑞
作者机构：
中国科学院上海技术物理研究所红外探测与成像技术重点实验室,上海 200083;上海科技大学 信息科学与技术学院,上海 200120;中国科学院大学,北京 100049
文献出处：
引用格式：
[1]李行健;汤心溢;张瑞-.用于声音分类的Deep LightGBM算法)[J].声学技术,2022(06):871-877
A类：
UrbanSound8K
B类：
声音分类,Deep,LightGBM,医学诊断,场景分析,语音识别,生态环境分析,分类器,参数调整,深度森林,改进方法,深度学习模型,分类精度,泛化能力,参数依赖性,一数,语音特征,特征的提取,Convolutional,Neural,Net,work,向量法,提取方式,整容,过度拟合,特征融合
AB值：
0.398386
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
