本發(fā)明涉及機器學習與音頻異常檢測領域，尤其涉及基于denstream模型的音頻異常檢測方法、系統(tǒng)、存儲介質及設備。適用于工業(yè)設備監(jiān)控、智能安防、設備故障預警等場景，能夠有效識別突發(fā)性和持續(xù)性異常音頻事件。

背景技術：

1、音頻異常檢測是一種通過分析音頻信號的特征（如頻譜、能量、時域特性等），自動識別出與正常模式顯著偏離的聲音事件的技術。其核心在于利用算法或模型區(qū)分“正?！迸c“異?！甭曇?，涵蓋工業(yè)設備監(jiān)控、智能安防、醫(yī)療健康、環(huán)境監(jiān)測等多個領域,?能夠有效識別突發(fā)性（如設備撞擊聲、爆炸聲）和持續(xù)性異常（如設備長期磨損導致的噪聲偏移）的音頻事件。

2、傳統(tǒng)音頻異常檢測方法包括基于固定閾值的頻譜分析和靜態(tài)聚類算法，基于固定閾值的頻譜分析方法通過分析音頻信號的頻譜特征（如能量、頻率分布等），預先設定一個固定的閾值來判斷是否存在異常。例如，若某頻段的能量超過閾值，則判定為異常。常見應用場景包括簡單噪聲檢測或特定頻率事件識別（如哨聲、撞擊聲等）。但實際場景中噪聲可能隨時間或設備狀態(tài)波動（如工業(yè)設備在不同負載下的噪聲差異）。固定閾值無法自適應調整，導致誤檢（噪聲波動觸發(fā)報警）或漏檢（異常信號未達閾值）。且閾值需通過經(jīng)驗或歷史數(shù)據(jù)手動設定，缺乏自動化優(yōu)化能力，部署成本高且難以泛化到新場景。

3、靜態(tài)聚類算法通過離線訓練將正常音頻特征聚類為若干簇，檢測時通過計算新數(shù)據(jù)與簇中心的距離判斷異常。例如，k-means將歷史數(shù)據(jù)劃分為正常簇，若新數(shù)據(jù)點遠離所有簇則視為異常。但該方法需預先收集大量正常數(shù)據(jù)并訓練模型，無法適應動態(tài)變化（如設備老化、環(huán)境噪聲漂移）。新數(shù)據(jù)分布偏離訓練集時，檢測性能顯著下降。且靜態(tài)模型無法在線更新，難以實時處理連續(xù)音頻流。對于長期模式漂移（如設備緩慢劣化），模型逐漸失效。

4、總之，傳統(tǒng)音頻異常檢測方法的主要缺點是難以適應動態(tài)環(huán)境噪聲變化，且無法實時處理數(shù)據(jù)流?，F(xiàn)有在線學習模型（如hstrees），嘗試動態(tài)更新模型以適應數(shù)據(jù)流，但設計初衷多用于分類任務，直接遷移到異常檢測場景時存在局限性。對突發(fā)異常（如短暫異響）敏感，但可能誤將短期噪聲視為異常；而對長期模式漂移（如設備老化）反應滯后，導致漏檢。即現(xiàn)有的在線學習模型對突發(fā)異常和長期模式漂移的平衡能力不足，導致誤檢率高、實時性差。

技術實現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有音頻異常檢測方法中存在的問題，提供了基于denstream模型的音頻異常檢測方法、系統(tǒng)、存儲介質及設備。

2、本發(fā)明的目的是通過以下技術方案來實現(xiàn)的：

3、第一方面，提供一種基于denstream模型的音頻異常檢測方法，所述方法包括：

4、s1.根據(jù)歷史音頻訓練音頻特征歸一化器，生成歸一化歷史特征數(shù)據(jù)；

5、s2.基于所述歸一化歷史特征數(shù)據(jù)訓練多個不同參數(shù)的denstream模型；

6、s3.選擇合適的denstream模型，計算歷史異常評分并確定異常音頻判決門限；

7、s4.接入實時音頻，使用選擇的denstream模型進行異常檢測并進行在線學習。

8、在一些實施例中，所述根據(jù)歷史音頻訓練音頻特征歸一化器，包括：

9、對歷史音頻進行預處理和特征提??；

10、基于提取的歷史音頻特征訓練音頻特征歸一化器，其中，使用z-score標準化方法構建歸一化映射。

11、在一些實施例中，所述對歷史音頻進行預處理和特征提取，包括：

12、對歷史音頻進行分幀和加窗；

13、提取歷史音頻的梅爾倒譜系數(shù)、聲壓級、短時過零率以及短時能量譜。

14、在一些實施例中，所述基于所述歸一化歷史特征數(shù)據(jù)訓練多個不同參數(shù)的denstream模型，包括：

15、將歸一化歷史特征數(shù)據(jù)按時間順序輸入denstream模型；

16、衰減未固化微簇權重；

17、計算新數(shù)據(jù)與已存在微簇的最近距離；

18、根據(jù)微簇半徑選擇合并或創(chuàng)建新微簇；

19、刪去權重低于最低權重的微簇；

20、固化存活時間超過固化時間的微簇，并增加所有未固化微簇的存活時間。

21、在一些實施例中，所述衰減未固化微簇權重，包括：

22、通過以下公式計算微簇權重：

23、，其中，表示當前微簇權重，表示歷史微簇權重，decay_factor表示衰減因子，表示當前微簇與歷史微簇的時間間隔。

24、在一些實施例中，所述選擇合適的denstream模型，計算歷史異常評分并確定異常音頻判決門限，包括：

25、根據(jù)不同參數(shù)組合denstream模型的微簇增長曲線，選擇最合適的denstream模型并根據(jù)音頻特征調整模型參數(shù)；

26、將歸一化歷史特征數(shù)據(jù)輸入選擇的denstream模型，計算與當前幀最近的多個微簇的歐氏距離，并對其中每個微簇計算異常評分；

27、取與當前幀最近的多個微簇的異常分數(shù)的加權平均值作為最終異常評分；

28、根據(jù)所述最終異常評分確定異常音頻判決門限閾值。

29、在一些實施例中，所述使用選擇的denstream模型進行異常檢測，包括：

30、計算實時音頻的異常評分，當實時音頻的異常評分小于所述異常音頻判決門限閾值時，觸發(fā)異常報警。

31、第二方面，提供一種基于denstream模型的音頻異常檢測系統(tǒng)，所述系統(tǒng)包括：

32、音頻特征提取模塊，用于根據(jù)歷史音頻訓練音頻特征歸一化器，生成歸一化歷史特征數(shù)據(jù)；

33、denstream模型訓練模塊，用于基于所述歸一化歷史特征數(shù)據(jù)訓練多個不同參數(shù)的denstream模型；

34、模型選擇和門限計算模塊，用于選擇合適的denstream模型，計算歷史異常評分并確定異常音頻判決門限；

35、異常檢測模塊，用于接入實時音頻，使用選擇的denstream模型進行異常檢測并進行在線學習；其中，接入實時音頻時，通過所述音頻特征提取模塊提取實時音頻的歸一化特征數(shù)據(jù)。

36、第三方面，提供一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執(zhí)行時，實現(xiàn)第一方面所述的一種基于denstream模型的音頻異常檢測方法。

37、第四方面，提供一種電子設備，包括存儲器和處理器，存儲器上存儲有可在處理器上運行的計算機指令，處理器運行計算機指令時執(zhí)行第一方面所述的一種基于denstream模型的音頻異常檢測方法。

38、需要進一步說明的是，上述各實施例對應的技術特征在不沖突的情況下可以相互組合或替換構成新的技術方案。

39、與現(xiàn)有技術相比，本發(fā)明有益效果是：

40、1.本發(fā)明使用歷史音頻創(chuàng)建并訓練音頻特征歸一化器，無需標注異常數(shù)據(jù)；初始化多個不同參數(shù)的在線denstream聚類算法，將歷史音頻數(shù)據(jù)轉化為歸一化后的音頻特征數(shù)據(jù)流順序、實時的輸入到在線denstream聚類算法中進行在線學習；根據(jù)微簇數(shù)量和微簇增長曲線，判斷合適的在線denstream聚類算法參數(shù)，將選中的denstream模型接入實時音頻數(shù)據(jù)，實現(xiàn)denstream模型的在線訓練和音頻實時異常診斷。本發(fā)明由在線迭代更新的denstream模型實時計算異常評分，并與門限值比對實現(xiàn)毫秒級異常檢出；實時數(shù)據(jù)同步更新模型微簇半徑、固化時間等參數(shù)，能夠適應動態(tài)環(huán)境噪聲變化。

41、2.本發(fā)明引入微簇半徑、最小權重、衰減因子和固化時間等參數(shù)，結合微簇增長曲線動態(tài)調整模型，平衡實時性與檢測精度。

42、3.本發(fā)明模型通過實時數(shù)據(jù)持續(xù)更新，無需重新訓練，顯著降低計算資源消耗。