基于深度自编码 GMM 的声学信号无监督异常检测及其超参数优化
音频与语音处理
2020-09-28 v1 机器学习
声音
机器学习
摘要
工厂机械的故障或停机对公司而言代价高昂，因此对自动机器检测的需求日益增长。现有的基于声学信号的无监督异常检测方法，例如使用深度自编码器（DA）或高斯混合模型（GMM）的方法，异常检测性能较差。在这项工作中，我们提出了一种基于深度自编码高斯混合模型并带超参数优化（DAGMM-HO）的新方法。在我们的方法中，DAGMM-HO 首次将传统的 DAGMM 应用于音频领域，其理念是对降维与统计建模的整体优化将提升异常检测性能。此外，DAGMM-HO 通过基于间隙统计量与累积特征值的超参数优化，解决了传统 DAGMM 的超参数敏感问题。我们使用工业风扇的实验数据对所提方法进行评估，结果表明其显著优于先前的方法，并基于标准 AUC 分数实现了高达 20% 的提升。
引用
@article{arxiv.2009.12042,
title = {Deep Autoencoding GMM-based Unsupervised Anomaly Detection in Acoustic Signals and its Hyper-parameter Optimization},
author = {Harsh Purohit and Ryo Tanabe and Takashi Endo and Kaori Suefusa and Yuki Nikaido and Yohei Kawaguchi},
journal= {arXiv preprint arXiv:2009.12042},
year = {2020}
}
备注
5 pages, to appear in DCASE 2020 Workshop