1.一种基于双输入互干扰卷积神经网络的异常语音识别方法，其特征在于：包括以下步骤：S1.采集语音信号，并对语音信号进行分割预处理得到语音样本；

S2.构建双输入互干扰卷积神经网络，所述双输入互干扰卷积神经网络包括第一卷积单元、第二卷积单元、特征融合单元、全连接单元以及分类输出单元；

所述第一卷积单元具有5层卷积核，第二卷积单元具有7层卷积核，所述第一卷积单元和第二卷积单元输入相同的语音样本，所述第一卷积单元和第二卷积单元向特征融合单元输出特征提取结果，所述特征融合单元对特征提取结果进行融合处理并输出至全连接单元；分类输出单元根据全连接单元输出的处理后的特征提取结果进行分类识别输出异常语音。

2.根据权利要求1所述基于双输入互干扰卷积神经网络的异常语音识别方法，其特征在于：步骤S1中，对语音信号进行分割预处理包括：确定语音信号的最大可分割样本数量m：其中，λ为分割重复率，N为语音信号的样本点个数，L为分割后语音样本的长度，|·|表示向下取整；

确定每个语音样本的数据：

data(i)＝Raw_data(s(λ,i))；

其中，Raw_data表示原始语音数据，data(i)表示某一原始语音信号分割后产生的第i个样本，s(λ,i)表示区间在[(i‑1)λL,(i‑1)λL+L]上所有点的集合。

3.根据权利要求1所述基于双输入互干扰卷积神经网络的异常语音识别方法，其特征在于：步骤S2中，对双输入互干扰卷积神经网络采用如下方法进行训练：构建损失函数：

其

中，m表示每次训练样本数量，yj表示第j个逻辑神经元的目标概率， 表示第j个逻辑神经元的预测概率，W表示第i层到第i+1层的权重，b表示第i层到第i+1层的偏置；

l

确定第l层的损失误差χ：

l+1

其中：z 表示全连接层l

(l)

+1层的输出，f'(x )表示对l层的输出值得激活函数进行求导；

构建卷积单元的最大池转换函数：

其中， 表示l层第i个卷积内核的t神经元的激活值，t∈[(j‑1)s,js]，s为池化内核的宽度， 表示池化操作后的神经元的值；

对最大池转换函数进行求导：

构建卷积池化部分的反向传播函数：

其中，f'表示激

活函数求导操作； 表示l卷积层的输入对l‑1卷积层的输入求导；

构建反转误差矩阵：

l

其中，rot180表示将卷积内核反转180度，W表示l卷积层中的权重；

对权重和偏置值进行迭代更新：

其中，α为学习率， 和 分别表示l层中第i个卷积内核的j个位置的权重以及第i个卷积内核对应的偏置；

按照上述步骤，调整权重和偏置值，使得损失误差达到设定值，则完成对双输入互干扰卷积神经网络的训练。

4.根据权利要求1所述基于双输入互干扰卷积神经网络的异常语音识别方法，其特征在于：步骤S2中，分类输出单元采用如下分类函数进行分类处理：其中，zj表示第j个输出逻辑神经元的值，t(zj)表示分类函数输出的预测概率值，zk表示第k个输出逻辑神经元的值。