第二章 音频信号频谱特征提取与识别.pptxVIP

案例2. 音频信号频谱特征提取与识别;音频信号的分类是一个有趣的研究方向，在《Matlab神经网络30个案例分析》一书中，有民歌，古筝，摇滚和流行四类音乐的数据，那里用的是神经网络算法可以进行识别。 ——频谱分析： Fourier变换，Gabor变换，连续小波变换;数据量： 4类音乐：民歌，古筝，摇滚和流行 每一类中有２００首曲子 定义特征： 类特征的定义 音乐信号的特征定义 识别：——距离 提取出测试音乐的特征与类特征进行对比，相似即为同类，否则异类。;类特征：选取部分样本做简单平均得到类特征 音乐特征：取信号所有时间特征 识别：欧氏距离;算法描述 第一步：载入信号，选出样本，和测试数据； 第二步：用各类样本的平均值作为该类的特征，此为时间域特征。 第三步：用测试数据与各类特征的欧氏距离判断是否属于该类，进行特征识别，计算识别率： 　识别的准确率（拒识率，误识率） ;%四类音频信号读入 load data1 c1 load data2 c2 load data3 c3 load data4 c4 ? %提取出信号的长度 [m,n] = size(c1); m_test = 50; m_sample = m-m_test; c = zeros(4,m,n); %重新赋值为方便计算 c(1,:,:) = c1(:,:); c(2,:,:) = c2(:,:); c(3,:,:) = c3(:,:); c(4,:,:) = c4(:,:); ? %时域平均特征提取 c_value(:,:) = sum(c(:,1:m_sample,:),2)./m_sample; %显示出四类音乐的平均特征 cc1 = zeros(1,n); cc2 = zeros(1,n); cc3 = zeros(1,n); cc4 = zeros(1,n); cc1(:)=c_value(1,:); cc2(:,:)=c_value(2,:); cc3(:,:)=c_value(3,:); cc4(:,:)=c_value(4,:); ? subplot(2,2,1); plot(cc1);title(data1); subplot(2,2,2); plot(cc2);title(data2); subplot(2,2,3); plot(cc3);title(data3); subplot(2,2,4); plot(cc4);title(‘data4’);;语音信号类别;类特征：选取部分样本，做连续小波变换，得到的小波系数作为特征，进行平均得到类特征 音乐特征：将信号做同样的连续小波变换，小波系数作为信号的特征 识别：欧氏距离 注意：连续小波变换参数选取，即小波函数，尺度选择。;算法描述 第一步：选择连续小波函数，及变换的尺度，即a的取值范围； 第二步：进行连续小波小波变换，提取信号特征； 第三步：选取各类样本，计算平均连续小波变换特征，作为该类特征； 第四步：用测试数据与各类特征的欧氏距离判断是否属于该类，进行特征识别，计算识别率。 第五步：调整尺度a的范围，进一步提高识别率。 ;%四类音频信号读入 load data1 c1 load data2 c2 load data3 c3 load data4 c4 %提取出信号的长度 [m,n] = size(c1); ? %尺度因子a的取值,此处可以调节，所选尺度范围已得到更好的识别率。 a = 1:4:32; [ma,na] = size(a); ? %开出连续小波变换后的频谱矩阵 d = zeros(4,m,na,n); d_value = zeros(4,na,n); ? %把四类音乐都做连续小波变换 for i = 1: m d(1,i,:,:) = cwt(c1(i,:),a,haar); d(2,i,:,:) = cwt(c2(i,:),a,haar); d(3,i,:,:) = cwt(c3(i,:),a,haar); d(4,i,:,:) = cwt(c4(i,:),a,haar); end ? %选在每一类的前m_sample个做样本库，用简单的平均做类特征，存放在d_value矩阵中。后面的m_test做测试，判断这些音乐属于哪一类 m_test = 50; m_sample = m-m_test; d_value(:,:,:) = sum(d(:,1:m_sample,:,:),2)./m_sample; ;%识别结果测试，4*m_test个测试样本，计算识别成功率。 %距离极小值 d1 = zeros(na,n); d2 = ze