1.基于深度网络迁移特征与增广自编码的城市噪声识别方法，其特征在于包括如下步骤：步骤1、对采集到的每一类城市噪声信号进行预处理，包括去噪、分帧和加窗，其中帧长为L，帧移为步骤2、将处理后的噪声信号转换成声谱图；

步骤3、使用多个预训练的深度卷积神经网络对步骤2得到的声谱图进行特征提取；假设使用M个深度卷积网络对声谱图进行特征提取，首先根据所采用的深度卷积网络对声谱图进行尺寸裁剪缩放，然后将调整后的声谱图输入深度卷积网络，提取出网络最后一个全连接层的输出作为该卷积网络提取的特征，针对M个深度卷积网络，分别得到D1,…,DM维的特征向量，将M种特征拼接，得到拼接后的特征向量x；

步骤4、利用增广自编码器对得到的特征向量x进行融合；

步骤5、在步骤4的融合特征的基础上，构建多层one‑class分类模型ML‑OCRLS；

步骤6、计算ML‑OCRLS的输出权重和决策阈值；

步骤7、对未知信号进行分类预测；

步骤2具体实现如下：

2‑1.对预处理后的声音信号数据进行快速傅里叶变换，以变换后的各个频段作为纵坐标，同时使用多帧信号作为横坐标，构造二维图像矩阵，其中每一个像素点为当前帧信号在对应的频段的能量；

2‑2.计算每一个像素点的频谱能量密度，用色调的浓淡表示能量密度的大小，得到三维图像即为声谱图；

步骤4所述的利用增广自编码器对得到的特征向量x进行融合，具体实现如下：

4‑1.设通过步骤3对数据进行处理，得到训练数据集X＝[x1,…,xN]，其中xn为第n张声谱图的M种特征拼接后的特征向量，n＝1,…,N，N是样本数量；将数据集X中每一个样本，除第m类特征外的其余卷积特征置为0，其中m＝1,…,M，共得到 个新的数据集Xm；然后保留数据集X中两类不同的卷积特征，其余特征置0，依次选择不同的两类特征组合，得到个新的数据集，以此类推得到总共 个新的数据集，合并得到Xx'作为增广自编码器的输入，而构造Xy作为增广自编码器的输出；

4‑2.随机初始化编码层的权重和偏置矩阵W01和b01，解码层的权重和偏置矩阵W02和b02；

AAE的隐含层输出为H＝g(W01Xx'+b01),输出层输出为φ＝σ(W02H+b02)，构造如下的损失函数：其中λ为权重衰减参数，ρ为稀疏性参数，通常情况下ρ>0且接近于0， 代表自编码器第i个隐含层神经元的平均激活值,β为惩罚因子，为惩罚项；

4‑3.利用随机梯度下降法对增广自编码器进行训练，提取出训练后的编码层的权重W01和偏置b01；

4‑4.最后使用训练好的AAE对训练数据集X进行编码，编码输出为H0＝g(W01X+b01)，得到的H0即为融合特征；

步骤4‑1具体实现如下：

使用两个深度卷积网络对声谱图进行特征提取，第n个样本得到的特征向量分别为和 进行拼接得到特征向量 则训练数据集为(1) T (2) T (1)

分别构造X1＝[X  0] ，X2＝[0 X ] 和X12＝[X  X(2) T

]三个新的数据集，合并得到Xx'＝{X1,X2,X12}作为增广自编码器的输入，构造Xy作为增广自编码器的输出；

步骤5所述的在步骤4的融合特征的基础上，构建多层one‑class分类模型，具体实现如下：

5‑1.将提取出的AAE编码层的权重W01和偏置b01作为ML‑OCRLS的输入层和第一个隐含层间的参数；

5‑2.使用稀疏自编码器，以H0为输入和输出进行训练，使用稀疏自编码器增加对隐含层神经元激活的稀疏性约束，稀疏自编码器的损失函数如下所示：其中φ1是稀疏自编码器的实际输出；

5‑3.利用随机梯度下降法对自编码器进行训练，然后提取训练后的编码层的权重W11和偏置b11作为ML‑OCRLS的第一个隐含层和第二个隐含层间的参数，得到的隐含层输出H1＝g(W11H0+b11)作为输入和输出训练下一个自编码器；

5‑4.依次训练多个自编码器，训练结束后得到ML‑OCRLS的参数W01,…,Wk1和b01,…,bk1,k是自编码器个数；计算出第k个自编码器的隐含层输出Hk＝g(Wk1Hk‑1+bk1)；

步骤6所述的计算ML‑OCRLS的输出权重和决策阈值，具体实现如下：T T

6‑1.设置训练样本的期望输出T＝[t1,…,tN]＝[1,…,1] ,求解最小化问题：其中，C是两项之间的权衡系数，β'是ML‑OCRLS的输出权重矩阵；求解上述问题：得到训练样本的真实输出O＝Hkβ'；

6‑2.计算出每一个样本和目标类的距离，公式如下：d(xi)＝|oi‑ti|＝|εi|

对其进行由大到小的排序，得d＝[d1,…,dN]；

设置分类决策阈值θ＝dfloor(μ·N),其中μ是阈值参数；

步骤7所述的对未知信号进行分类预测，具体实现如下：对于未知声音信号z，将信号z预处理之后转换成声谱图，使用相同的深度卷积网络进行特征提取，得到M种特征拼接后输入ML‑OCRLS进行融合和分类，其输出为 然后计算出信号z与目标类的距离：根据决策函数判断出未知样本的类别，决策函数如下：