Page 58 - 《应用声学》2025年第3期

592 2025 年 5 月

值较大时，表示应给予该通道更多的关注；反之，则 级场景预测进行融合，以增强学生模型的分类能力。
给予较少关注。 其原理框图如图6所示。
最后，将权重 α k 和学生模型的第 k 通道特征 教师模型输出 3 种高层级场景预测结果，每类
x k 相乘，得到加权的通道特征x ， 预测值被用作权重，与学生模型的预测结果相乘。
′
k
然后，这些乘积分别通过 FC 层，生成 3 个低层级场
′
x = a k x k . (4)
k
景预测。这些低层级场景预测是基于高层级场景预
1.2.3 EIL 测值的加权结果。最后，将这 3 个加权预测和学生
并行网络能够同时生成声频信号的高层级和 模型的原始预测相加。这种策略通过将学生模型自
低层级的场景预测。因此，也能将教师模型高层级 身预测和加权预测进行融合，以增强学生模型的分
场景分类结果作为知识源，将其与学生模型的低层 类能力。

FC

Teacher FC ∑ Output
output
FC
Student
output

图 6 EIL 原理图
Fig. 6 EIL schematic diagram

设教师模型的输出为 TO，学生模型的输出为 购 物 中 心 (shopping_mall)、 地 铁 站 (metro_
SO，取教师模型的预测值作为权重： station)、步行街 (street_pedestrian)、街道交通
TO → a 1 , a 2 , a 3 . (5) (street_traffic)、 公 园 (park)、 公 共 广 场 (pub-
lic_square)、公共汽车 (bus)、地铁 (metro) 以及电
将权重与 SO 相乘，得到加权的学生模型输出
车 (tram)。数据集共有 14400 个声频，文件格式为
SO i ：
wav，采样率为 48 kHz，均为双通道声频，每个声频
SO i = a i SO, i = 1, 2, 3. (6) 的时长均为10 s。

然后将 SO i 输入 FC 层，输出加权的低层级场
2.2 实验参数设置
景预测P i ：
本文从声频中提取 FBank 特征作为网络输入，
P i = σ(W ∗ SO i + b), (7)
提取参数设置为：帧长 25 ms，帧移 10 ms，梅
其中，σ 为激活函数，W 为FC层参数，b为偏置。 尔 FBank 数量为 128。单通道的声频特征大小为
最后，将 P i 与 SO 相加，得到增强预测 Out- (128,998)，堆叠左右通道的FBank 特征得到的最终
put： 特征的大小为(2, 128, 998)。
3
∑ 损失函数为交叉熵损失函数，批次大小为 32，
Output = SO + P i . (8)
初始学习率为0.001，指数衰减率为0.99，使用Adam
i=1
Output融合了学生模型的预测结果以及经教 优化器进行优化，并使用默认参数。
师模型预测值加权后的预测，从而能够弥补学生模 2.3 基础模型实验结果及分析
型单一预测的不足，提升模型的ASC能力。
教师模型负责高层级场景分类，学生模型负责

2 实验与分析 低层级场景分类。使用本文搭建的基础网络模型
(如图1 所示)，得到的高层级场景分类结果如表1 所
2.1 数据集 示，低层级场景分类结果如表2所示。
本 实 验 采 用 DCASE2019task1a 的 开 发 数 据 由表 1 和表 2 可知，高层级场景分类的平均精
集，该数据集包含 10 种场景类别：机场 (airport)、 确率为 94.37%，而低层级场景分类的平均精确率为