韓紀慶、石自強編著的《聲學事件檢測理論與方法》共15章，分別介紹聲學事件檢測中的特征提取和常用模型、一般數據規模下的聲學事件檢測、大數據規模下的聲學事件檢測，以及聲學事件檢測的典型應用。其目的不僅讓讀者對聲學事件檢測理論和方法有一個繫統的了解，而且努力將本領域的新動態介紹給讀者，希望讀者能在學術思想上受到啟發。

韓紀慶、石自強編著的《聲學事件檢測理論與方 法》繫統地介紹聲學事件檢測的相關理論與方法，以 及最新研究進展。內容包括聲學事件檢測的基本原理 、一般數據規模下的聲學事件檢測、大數據規模下的 聲學事件檢測。在一般數據規模下的檢測中，重點介 紹基於長時特征的檢測理論與方法，包括基於基頻段 特征的檢測、基於混合模型的檢測、基於稀疏低秩特 征的檢測，以及基於松弛邊際與並行在線的模型訓練 方法。在大數據規模下的檢測中，重點介紹適合大數 據的快速和在線式模型訓練方法，包括基於支持向量 機的加速訓練、基於深度模型的加速訓練、通用型在 線及隨機梯度下降算法，以及牛頓型隨機梯度下降算 法等。最後介紹兩個典型應用：行車周邊聲音環境的 感知以及音頻場景識別。 本書可作為高等院校計算機應用、信號與信息處 理、通信與電子繫統等專業及學科的研究生教材，也 可供該領域的科研及工程技術人員參考。

前言
第1章 緒論
1.1 聲學事件檢測技術的發展
1.1.1 聲學事件檢測的起源與發展脈絡
1.1.2 基於特征的聲學事件檢測
1.1.3 基於模型的聲學事件檢測
1.2 聲學事件檢測技術的應用
1.3 聲學事件檢測繫統的結構
1.4 本書的結構
第2章 聲學事件檢測中的常用特征和模型
2.1 聲學事件檢測中的常用特征
2.1.1 聲音信號的數字化
2.1.2 聲音信號的時域特征
2.1.3 聲音信號的頻域特征
2.1.4 聲音信號的時頻域特征
2.1.5 特征降維與選擇
2.2 聲學事件檢測中的常用模型
2.2.1 淺層模型
2.2.2 深度模型
2.3 本章小結
第3章 基於基頻段特征的聲學事件檢測
3.1 引言
3.2 長時特征提取
3.2.1 長時統計特征提取
3.2.2 基於基頻段的特征提取
3.3 基於長時統計特征的聲學事件檢測
3.3.1 基於單分類器和多分類器融合的聲學事件檢測
3.3.2 基於類內細分聚類的聲學事件檢測
3.3.3 基於拒識和確認的聲學事件檢測
3.4 實驗和結果
3.4.1 實驗設置
3.4.2 實驗結果與分析
3.5 本章小結
第4章 基於混合模型的聲學事件檢測
4.1 引言
4.2 偽高斯混合模型
4.2.1 偽高斯混合模型的構建
4.2.2 偽高斯混合模型參數估計的EM算法.
4.3 異質混合模型
4.3.1 多變量Logistic混合模型的可辨識性
4.3.2 異質混合模型的構建
4.3.3 異質混合模型的參數估計
4.4 實驗和結果
4.4.1 基於偽高斯混合模型的聲學事件檢測
4.4.2 基於異質混合模型的聲學事件檢測
4.5 本章小結
第5章 基於稀疏低秩特征的聲學事件檢測
5.1 引言
5.2 基於稀疏表示特征的聲學事件檢測
5.3 基於低秩矩陣表示特征的聲學事件檢測
5.3.1 低秩矩陣表示特征提取
5.3.2 低秩矩陣分類的問題描述.
5.3.3 基於加速近似梯度方法的矩陣分類學習
5.4 基於低秩張量表示特征的聲學事件檢測
5.4.1 張量計算相關記號.
5.4.2 低秩張量表示特征提取
5.4.3 基於加速近似梯度方法的張量分類學習
5.5 實驗和結果
5.5.1 基於稀疏表示特征的聲學事件檢測
5.5.2 基於低秩矩陣表示特征的聲學事件檢測
5.5.3 基於低秩張量表示特征的聲學事件檢測
5.6 本章小結
第6章 基於松弛邊際下模型訓練的聲學事件檢測
6.1 引言
6.2 基於跡範限制下的*大邊際矩陣分類
6.2.1 基於跡範限制與松弛邊際的矩陣分類問題描述
6.2.2 基於交替搜索方式的矩陣分類學習算法
6.3 基於跡範限制下的*大邊際張量分類
6.3.1 基於跡範限制與松弛邊際的張量分類問題描述
6.3.2 基於交替搜索方式的張量分類學習算法
6.4 實驗和結果
6.5 本章小結
第7章 基於在線並行模型訓練的聲學事件檢測
7.1 引言
7.2 在線並行的矩陣數據分類學習方法
7.2.1 基於加速近似梯度方法的矩陣分類在線學習
7.2.2 基於逼近加速近似梯度方法的在線學習
7.2.3 基於小批量*新的在線學習
7.2.4 基於並行計算加速的矩陣分類學習
7.3 在線並行的張量數據分類學習方法
7.4 實驗和結果
7.4.1 基於在線並行學習的低秩矩陣特征分類
7.4.2 基於在線並行學習的低秩張量特征分類
7.5 本章小結
第8章 基於錨空間的聲學事件檢測
8.1 引言
8.2 錨模型簡介
8.3 基於狀態變化統計量的錨空間聲學事件檢測
8.3.1 基於狀態變化統計量的錨空間生成方法
8.3.2 實驗與討論
8.4 基於高斯混合模型錨空間的聲學事件檢測
8.4.1 基於高斯混合模型錨空間的目標與集外錨模板的生成
8.4.2 基於高斯混合模型的聲學事件檢測機制
8.5 基於稀疏分解錨空間的聲學事件檢測
8.5.1 基於稀疏分解錨空間的目標與集外錨模板的生成
8.5.2 基於稀疏分解的聲學事件檢測機制
8 5.3 實驗與討論
8.6 本章小結
第9章 面向大數據環境下聲學事件檢測的凸優化理論
9.1 引言
9.2 與聲學事件檢測相關的凸優化理論
9.2.1 早期凸優化
9.2.2 凸優化基礎
9.2.3 一階方法的動機
9.3 光滑與非光滑的凸優化一階方法
9.3.1 光滑目標
9.3.2 復合優化目標函數
9.3.3 近端目標
9.4 隨機化技術
9.5 並行和分布式計算
9.6 本章小結
**0章 面向大數據處理的支持向量機模型的加速算法
10.1 隨機對偶坐標上升法
10.1.1 問題描述及相關工作
10.1.2 基於對偶間隙邊界的SDCA收斂性分析
10.2 加速近端隨機對偶坐標上升法
10.2.1 問題描述及相關工作
10.2.2 基於對偶間隙邊界的Prox—SDCA收斂性分析
10.3 本章小結
**1章 面向大數據處理的深度模型的加速算法
11.1 引言
11.2 全梯度與隨機梯度下降算法
11.3 加速梯度算法
11.4 指數型收斂的隨機梯度下降算法
11.4.1 隨機平均梯度法.
11.4.2 隨機方差減梯度方法
11.5 坐標梯度下降算法
11.6 本章小結
**2章 面向大數據的通用型在線及隨機梯度下降算法
12.1 引言
12.2 通用在線梯度法
12.2.1 通用的在線原始梯度方法
12.2.2 通用的在線對偶梯度方法
12.2.3 通用的在線快速梯度方法
12.3 通用隨機梯度法
12.3.1 算法描述
12.3.2 收斂性分析
12.4 數值實驗
12.4.1 LASSO問題
12.4.2 施泰納問題
12.5 本章小結
**3章 面向大數據的牛頓型隨機梯度下降算法
13.1 引言
13.2 近端牛頓型隨機梯度法
13.2.1 正則化的二次模型
13.2.2 Hessian矩陣的近似
13.3 算法的收斂性分析
13.4 數值實驗
13.5 本章小結
**4章 基於聲學事件檢測的行車周邊聲音環境感知
14.1 引言
14.2 實驗環境與基線繫統
14.3 基於徑向基函數神經網絡噪聲建模的聲學事件檢測
14.4 基於等響度曲線的聲學事件檢測
14.5 基於基頻軌跡特征的聲學事件檢測
14.6 本章小結
**5章 音頻場景識別
15.1 引言
15.2 基於高斯直方圖特征的音頻場景識別
15.2.1 高斯直方圖特征
15.2.2 分類模型
15.3 基於遷移學習的音頻場景識別
15.3.1 遷移學習概述
15.3.2 基於樣本平衡化的音頻場景識別
15.3.3 基於改進樣本平衡化的音頻場景識別
15.4 實驗和結果
15.5 本章小結
參考文獻