基于优化复数卷积神经网络的声源定位

现有的基于深度学习的声源定位方法大多依赖于实数特征表达,往往忽视了包含时空数据的相位信息,从而导致定位效果不佳。因此,文中提出一种基于优化复数卷积神经网络的声源定位方法,以挖掘更深层次的特征和相位信息。文中选取相对传输函数(RTF)、广义互相关(GCC)和短时傅里叶变换(STFT)三类典型的声音信号特征,对比其在实数卷积神经网络和复数卷积神经网络中的训练和测试效果。通过一系列仿真和实验验证了复数卷积神经网络的平均定位误差比实数卷积神经网络降低了53.49%,准确率平均提高了2.13%。实验结果表明,复数卷积神经网络在声源定位性能方面展现出显著优势,为声源定位领域的进一步研究与工程应用提供了有力参考。

资料为PDF文档格式.

本文档关键词:声源,定位,优化,卷积,神经网络