【技术实现步骤摘要】
本专利技术涉及一种基于bp神经网络的森林火灾音频识别方法、介质及产品，属于森林火灾识别。
技术介绍
1、森林作为地球上不可或缺的“氧气工厂”和自然的调节器，对人类生存环境至关重要。然而，近年来，由于人类生产活动的不断扩张和自然灾害的频发，森林面积正急剧减少。在这些破坏因素中，森林火灾的危害尤为突出。森林火灾具有高度的破坏性、突发性和易蔓延性，一旦发生，往往难以迅速扑灭，给生态系统和人类社会带来巨大的危害和损失。为了应对这一挑战，森林火灾识别技术应运而生，旨在为尽早发现森林火灾及时采取消防措施提供可能，从而最大限度地减少火灾造成的损失，对森林火灾识别
的研究具有重要的实际应用价值。
2、森林火灾的发生通常经历热解非燃烧阶段、燃气燃烧阶段和木炭燃烧阶段三个阶段。在热解非燃烧阶段，可燃材料在外部热源的作用下会产生大量烟雾，这为火灾的早期探测提供了可能。基于这一特点，现有的森林火灾探测技术主要通过安装烟雾传感器、火焰传感器和温湿度传感器等设备来收集林区环境数据。此外，还利用分辨率光谱仪等遥感技术从火灾现场提取烟雾和燃烧痕迹，识别火点。在烟雾识别的基础上，还采用了混合像素分解和亚像素定位技术来确定森林火灾烟雾的范围。同时，随着计算机科学技术的发展，图像处理、计算机视觉、人工智能等技术也逐渐应用于火灾识别领域，进一步提高了火灾探测的准确性和效率。上述技术主要通过监控摄像头收集图像，并使用图像处理和模式识别方法进行分析，以确定是否发生火灾。
3、尽管现有的森林火灾识别技术已经取得了一定的进展，但仍存在诸多缺陷。首
4、公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。
技术实现思路
1、本专利技术所要解决的技术问题是：如何解决现有森林火灾识别技术中覆盖范围有限、成本高、准确性低的问题。
2、为解决上述技术问题，本专利技术是采用下述技术方案实现的。
3、第一方面，本专利技术提供一种基于bp神经网络的森林火灾音频识别方法，包括：
4、获取待检测的森林火灾音频数据；
5、基于所述待检测的森林火灾音频数据的频域特征，提取梅尔频率倒谱系数mfcc；
6、将所述梅尔频率倒谱系数mfcc，输入预先训练的基于bp神经网络的森林火灾音频识别模型，输出森林火灾类别；
7、其中，所述森林火灾类别包括森林火灾和非森林火灾。
8、进一步地，在将所述梅尔频率倒谱系数mfcc，输入预先训练的基于bp神经网络的森林火灾音频识别模型之前，还包括，将待检测的森林火灾音频数据中属于森林火灾的音频样本标记为1，属于非森林火灾的音频样本标记为0。
9、进一步地，所述基于bp神经网络的森林火灾音频识别模型的训练方法，包括：
10、基于随机采样后的声学森林监测数据集的频域特征，提取梅尔频率倒谱系数mfcc；
11、将梅尔频率倒谱系数mfcc作为输入特征，输入构建好的森林火灾音频识别模型中，输出音频样本属于森林火灾类别的预测结果；
12、利用均方差损失函数计算所述预测结果与真实标签之间的差异，得到损失值；
13、利用梯度下降算法更新所述基于bp神经网络的森林火灾音频识别模型的权重，直到所述损失值小于预设的允许范围。
14、进一步地，所述随机采样后的声学森林监测数据集的频域特征的获取方法，包括：
15、对随机采样后的声学森林监测数据集进行傅里叶变换，得到频域信号；
16、提取所述提频域信号中的频域特征，包括平均值、标准差、偏度、峰度、最大值、最小值、峰值、均方根、幅度因子、波形因子、脉冲因子、波峰因子和能量。
17、进一步地，基于随机采样后的声学森林监测数据集的频域特征，提取梅尔频率倒谱系数mfcc，包括：
18、对随机采样后的声学森林监测数据集进行预加重，得到预加重后的时域信号；
19、对所述预加重后的时域信号进行成帧和窗口操作后，再进行快速傅里叶变换，得到每帧频域信号的谱能量；
20、将每帧频域信号的谱能量与一组 mel 滤波器相乘，再经过离散余弦变换，得到梅尔频率倒谱系数mfcc。
21、进一步地，所述将每帧频域信号的谱能量与一组 mel 滤波器相乘，再经过离散余弦变换，得到梅尔频率倒谱系数mfcc，其中，梅尔频率倒谱系数mfcc与每帧频域信号的频率之间的关系表示为：
22、 （1）；
23、式中，表示每帧频域信号的频率在梅尔标度上的对应值，其中，表示每帧频域信号的频率的频率单位为赫兹，表示以10为底数的对数函数。
24、进一步地，所述对所述预加重后的时域信号进行成帧和窗口操作，包括：
25、将预加重后的时域信号分割成多个短时间帧信号，将每个短时间帧信号与汉明窗函数相乘。
26、进一步地，所述基于bp神经网络的森林火灾音频识别模型的训练方法，包括：
27、将提取的梅尔频率倒谱系数mfcc作为输入特征，输入构建好的森林火灾音频识别模型中，输出音频样本属于森林火灾类别的预测结果；
28、利用均方差损失函数计算所述预测结果与真实标签之间的差异，得到损失值；
29、利用梯度下降算法更新所述基于bp神经网络的森林火灾音频识别模型的权重，直到所述损失值小于预设的允许范围。
30、进一步地，所述均方差损失函数表示为：
31、 （2）；
32、式中，表示损失值，表示随机采样后的声学森林监测数据集中的音频样本总数，表示随机采样后的声学森林监测数据集中的第个音频样本，表示随机采样后的声学森林监测数据集中的第个音频样本的预测值，表示随机采样后的声学森林监测数据集中的第个音频样本实际值，表示权值。
33、第二方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现第一方面所述方法的步骤。
34、第三方面，本专利技术提供一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现第一方面所述方法的步骤。
35、与现有技术相比，本专利技术所达到的有益效果：
36、1、本专利技术通过获本文档来自技高网...
【技术保护点】
1.一种基于BP神经网络的森林火灾音频识别方法，其特征在于，包括：
2.根据权利要求1所述的基于BP神经网络的森林火灾音频识别方法，其特征在于，在将所述梅尔频率倒谱系数MFCC，输入预先训练的基于BP神经网络的森林火灾音频识别模型之前，还包括，将待检测的森林火灾音频数据中属于森林火灾的音频样本标记为1，属于非森林火灾的音频样本标记为0。
3.根据权利要求1所述的基于BP神经网络的森林火灾音频识别方法，其特征在于，所述基于BP神经网络的森林火灾音频识别模型的训练方法，包括：
4.根据权利要求3所述的基于BP神经网络的森林火灾音频识别方法，其特征在于，所述随机采样后的声学森林监测数据集的频域特征的获取方法，包括：
5.根据权利要求3所述的基于BP神经网络的森林火灾音频识别方法，其特征在于，基于随机采样后的声学森林监测数据集的频域特征，提取梅尔频率倒谱系数MFCC，包括：
6. 根据权利要求5所述的基于BP神经网络的森林火灾音频识别方法，其特征在于，所述将每帧频域信号的谱能量与一组 Mel 滤波器相乘，再经过离散余弦变换，得到
7.根据权利要求5所述的基于BP神经网络的森林火灾音频识别方法，其特征在于，所述对所述预加重后的时域信号进行成帧和窗口操作，包括：
8.根据权利要求3所述的基于BP神经网络的森林火灾音频识别方法，其特征在于，所述均方差损失函数表示为：
9.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-8任一项所述方法的步骤。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-8任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于bp神经网络的森林火灾音频识别方法，其特征在于，包括：
2.根据权利要求1所述的基于bp神经网络的森林火灾音频识别方法，其特征在于，在将所述梅尔频率倒谱系数mfcc，输入预先训练的基于bp神经网络的森林火灾音频识别模型之前，还包括，将待检测的森林火灾音频数据中属于森林火灾的音频样本标记为1，属于非森林火灾的音频样本标记为0。
3.根据权利要求1所述的基于bp神经网络的森林火灾音频识别方法，其特征在于，所述基于bp神经网络的森林火灾音频识别模型的训练方法，包括：
4.根据权利要求3所述的基于bp神经网络的森林火灾音频识别方法，其特征在于，所述随机采样后的声学森林监测数据集的频域特征的获取方法，包括：
5.根据权利要求3所述的基于bp神经网络的森林火灾音频识别方法，其特征在于，基于随机采样后的声学森林监测数据集的频域特征，提取梅尔频率倒谱系数mfcc，包括：...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。