【Matlab代码】基于小波分析的音频信号的特征识别

一、背景

音频信号可分为民歌、古筝、摇滚和流行4类,每一类数据有200个音乐数据。
我们先从时域角度进行简单的特征选择,即采用前150种数据作为样本进行简单的平均,得到4类信号的特征,进而进行特征识别。
具体的算法描述:
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几里得距离判断是否属于该类,进行特征识别,计算识别率。

二、测试结果

4类信号时间域上的特征如图1所示,特征识别的结果如表1所列。

【Matlab代码】基于小波分析的音频信号的特征识别_第1张图片

图1 四类信号的时间域特征

【Matlab代码】基于小波分析的音频信号的特征识别_第2张图片
由表1看到平均识别率为93%。时间域的识别率可以接受。

可进一步研究采用小波分析的手段对其进行特征提取与分类。

三、基于小波变换的音频信号频谱特征提取

3.1 算法描述

具体的算法描述:
第一步:选择连续小波变换的尺度,即a的取值范围。
第二步:进行连续小波变换,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几里得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。

3.2 结果分析

下图给出了4类音乐在尺度a=1:4:32上的平均连续小波特征。尺度选择为a=1:4:32,对应的识别率如表2所列,平均识别率78.5%;如果改变尺度选择为a=1:1:3,对应的识别率如表3所列,平均识别率95.5%。由此看出,连续小波特征可以提供更多的特征选择,在尺度选择的过程中,我们发现在这4类音频信号的识别中,小尺度信号特征作为特征有更大的区分度,适合识别。

【Matlab代码】基于小波分析的音频信号的特征识别_第3张图片

在这里插入图片描述
【Matlab代码】基于小波分析的音频信号的特征识别_第4张图片

四、资源获取

相关资源,可私信博主获取。

你可能感兴趣的:(五,毕业&课程设计,matlab,算法,语音识别)