问基于声谱图的深度学习

EN

RNNs没有产生足够好的效果，也很难训练，所以我选择了CNNs。

因为特定的动物声音只有几秒钟长，所以我们可以把声谱图分成几块。我用了3秒。然后，我们对每个块执行分类，并对输出进行平均，以创建每个音频文件的单个预测。这是非常好的工作，也是简单的实现。

在这里可以找到更深入的解释：http://ceur-ws.org/Vol-1609/16090547.pdf。

对于自动语音识别(ASR)，滤波器组的功能与CNN在光谱图表1上的性能一样好。你可以在fbank上训练一个DBN系统来分类动物的声音.

在实践中，较长的语音被划分为较短的话语，因为维特比译码对较长的语音不能很好地工作。你也可以这么做。

你可以把较长的话语分成固定长度的较小的话语。将较长的话语分成较小的部分是很容易的。问题在于增加长度，更小的话语达到固定的长度。

你可以扭曲光谱图的频率轴，以增强较小的语态。这种数据增强已经被证明可以改善ASR性能的数据预兆。

对于包含多个声音的更长的语音，您可以使用音乐分割算法将其划分为多个语音。这些话语可以通过除法或加法形成固定长度。