音频信号特征提取及其分类研究

发布时间：2023-11-25 17:58

　　在大数据的时代背景下,越来越多的音频数据被存储到网络中,面向音频的自动化和智能化分类系统应需而生,音频信号分类研究对推动此类系统的发展至关重要,在音频信号分类研究中,特征提取、特征集优化和分类器设计是最为重要的三个环节。通过对已有音频分类相关文献的研究和分析,发现音频分类研究的重点主要包括:在特征提取环节中,对不同特征提取方法的研究;在特征集优化环节中,对不同特征选择算法的研究;在分类器设计环节中,对不同分类算法分类性能的研究。本文针对以上三个环节进行了重点研究,完成的工作主要包括以下几个部分:1.使用不同的音频特征提取方法,提取了包括时域特征、频域特征、倒谱域特征和其它特征四种类别的共89项音频特征,构成原始音频特征集。2.针对特征集优化问题,重点研究了基于皮尔逊相关系数的特征选择算法、基于熵权法的特征选择算法和基于Relief算法的特征选择算法,并提出了一种改进的相关系数特征选择算法,通过实验对四种特征选择算法的有效性和可行性进行了验证,比较了算法的优劣。3.设计了基于决策树的分类器、基于K最近邻的分类器和基于BP神经网络的分类器。对BP神经网络易陷入局部最优的问题进行了研究,设计...

【文章页数】：97 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 音频分类的发展历程及研究现状
    1.3 本文创新点
    1.4 本文主要工作和论文组织结构
第二章 音频分类技术综述
    2.1 音频分类基础知识
        2.1.1 音频的相关概念
        2.1.2 音频的构成要素
        2.1.3 音频分类的一般步骤
    2.2 特征提取
        2.2.1 时域特征
        2.2.2 频域特征
        2.2.3 倒谱域特征
        2.2.4 其它特征
    2.3 音频分类方法
        2.3.1 基于决策树的音频分类方法
        2.3.2 基于K最近邻算法的音频分类方法
        2.3.3 基于人工神经网络的音频分类方法
    2.4 本章小结
第三章 音频信号特征集构建
    3.1 音频信号预处理
        3.1.1 采样和量化
        3.1.2 分帧
        3.1.3 加窗
    3.2 音频信号原始特征集构建
        3.2.1 音频数据库
        3.2.2 音频信号原始特征集
    3.3 特征选择
        3.3.1 基于方差法的特征预选
        3.3.2 基于相关性的特征选择算法
        3.3.3 基于权重的特征选择算法
        3.3.4 改进的相关系数特征选择算法
    3.4 特征选择实验及结果分析
        3.4.1 特征项被选次数对比
        3.4.2 特征项权重对比
        3.4.3 特征选择后的特征集项数对比
    3.5 本章小结
第四章 模拟退火算法改进的BP神经网络分类算法
    4.1 模拟退火算法
        4.1.1 模拟退火算法简介
        4.1.2 模拟退火算法原理
    4.2 BP神经网络算法
        4.2.1 BP神经网络算法简介
        4.2.2 BP神经网络算法原理
    4.3 模拟退火算法改进的BP神经网络分类算法
    4.4 本章小结
第五章 音频分类实验设计与结果分析
    5.1 原始特征集的音频分类实验
        5.1.1 语音和音乐分类实验
        5.1.2 音乐流派分类实验
        5.1.3 音乐乐器分类实验
        5.1.4 实验结果对比与分析
    5.2 传统BP分类器和改进的BP分类器对比实验
    5.3 特征选择后的音频分类实验
        5.3.1 音频分类实验
        5.3.2 实验结果对比与分析
    5.4 本章小结
第六章 总结与展望
    6.1 工作总结
    6.2 展望
致谢
参考文献
附录A (攻读硕士学位期间主要成果)
附录B (源程序主要代码)



本文编号：3867573