如何理解卷积深度信念网络进行音频​​分类？

Lee等人在“ 用于分层表示的可扩展无监督学习的卷积深度信念网络 ”中。（PDF）提出了卷积DBN。还对该方法进行了图像分类评估。这听起来很合逻辑，因为具有自然的局部图像特征，例如小角和边缘等。

Lee等人在“ 使用卷积深度置信网络进行音频​​分类的无监督特征学习 ”中。等 此方法适用于不同类别的音频。说话者识别，性别识别，电话分类以及一些音乐流派/艺术家分类。

如何将网络的卷积部分解释为音频，就像将图像解释为边缘一样？

音频应用是二维图像分类问题的一维简化。音素（例如）是图像特征（如边缘或圆形）的音频模拟。无论哪种情况，此类特征都具有基本的局部性：它们的特征在于图像位置或语音瞬间的相对较小邻域内的值。卷积是局部邻域内值的加权平均的受控规则形式。由此产生了一种希望，即DBN 的卷积形式可以成功地识别和区分有意义的特征。

在将卷积RBM应用于音频数据的情况下，作者首先采用了短期傅立叶变换，然后在频谱上定义了能带。然后，他们在该转换后的音频上应用了卷积RBM。