【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。

图1 四类信号的时间域特征

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。

四、资源获取

相关资源，可私信博主获取。