本文主要探讨了一种针对公共场所异常声识别的新型方法——基于贝叶斯优化的卷积神经网络（CNN）。在公共场所的安全管理中，及时准确地识别异常声音至关重要，例如火苗噼啪声、婴儿啼哭声、烟花燃放声、玻璃破碎声和警报声等。传统的声学特征提取和分类器可能无法有效地处理这类复杂任务，因此，作者提出了结合Gammatone倒谱系数、倍频程功率谱、短时能量和谱质心等多种声学特征，并运用贝叶斯优化来调整CNN模型参数的新策略。
Gammatone倒谱系数是模拟人耳听觉特性的声学特征，能更好地反映人耳对声音的感知。倍频程功率谱则提供了声音频率分布的宽窄信息，而短时能量和谱质心则反映了声音的强度和频率中心。这些特征被组合成特征图，输入到卷积神经网络中进行进一步的处理。
卷积神经网络是一种深度学习模型，特别适合图像和时间序列数据的处理。在本研究中，CNN通过不同大小的卷积核和池化操作，能够捕捉到不同尺度的声音特征。递增的卷积核设置使得网络能够从局部到全局逐步理解声音信号，而池化操作则有助于减少计算量，保持模型的鲁棒性。
贝叶斯优化算法则用于优化CNN的模型参数。这是一种概率性优化技术，通过建立模型来估计参数的最优值，能够在有限的训练样本和计算资源下找到接近全局最优的解决方案。这种优化策略可以提高模型的泛化能力，避免过拟合，从而提升识别性能。
实验结果显示，与基于其他特征提取和分类器方案相比，本文提出的贝叶斯优化CNN方法在识别公共场所异常声方面的效果更优。同时，研究还分析了在不同信噪比下的识别性能，证明了该方法在噪声环境中的有效性。
总结来说，这篇论文提出了一个结合声学特征提取、卷积神经网络和贝叶斯优化的框架，用于公共场所异常声识别。这种方法不仅在识别准确性上表现优秀，而且具有良好的噪声抑制能力，对于公共场所的安全监控和智能报警系统具有重要的理论和应用价值。
