随着人工智能技术的发展,深度神经网络应用场景日益广泛,在音频数据处理中引入深度学习方法也成为研究热点之一。由于传统视频检测方法存在监控死角,受到物体遮挡及恶劣天气的影响,异常事件视频检测容易出现漏检和误检等问题。本文研究分析异常音频特征提取方法,将深度前馈神经网络引入异常音频检测系统中,提出了一种基于深度神经网络的异常音频检测方法。本文主要工作如下:(1)查阅有关音频数据处理和深度神经网络相关论文和文献资料,分析目前国内外相关领域的研究现状和未来发展趋势,明确本文研究方案和内容。(2)研究了音频数据预处理方法。从音频采集硬件采集音频数据信息,并将模拟信号转换为数字信号,将数字信号进行音频数据的预加重处理,并对比分析小波降噪法、同态滤波法和Wiener滤波法等音频降噪算法。在音频数据进行降噪处理以后,对连续的降噪音频数据进行端点检测,将有效音频片段从连续音频信号中分离出来。(3)研究了音频数据特征提取方法。在音频特征提取的处理中,首先对经过预处理的有效音频片段进行分帧及加窗,使其具有稳定的短时特征,然后对比分析音频数据的时域特征、音频数据的频域特征和采用人工神经网络进行特征提取等方法的优势和缺陷。经过对比分析,本文采用音频数据的频域特征进行音频信号的特征提取,音频信号数据进行分帧加窗以后,对于每个音频信号帧计算其对应的梅尔频率倒谱系数,其具有计算复杂度低、音频数据特征提取效果较好等优势,并将提取到的低维度特征进行分类,得到最终的分类结果。(4)研究了异常音频数据分类方法。本文采用深度前馈神经网络作为分类器,分析深度前馈神经网络的基本单元和架构,对比分析不同的激活函数、损失函数和优化算法之间的优势和缺陷。本文设计了两种深度前馈神经网络模型架构,分别应用于拥有较强算力的高性能服务器和低功耗嵌入式设备,与传统算法进行对比实验,结果表明本文提出算法具有良好的分类效果。