큰 데이터 시대에 점점 더 많은 오디오 데이터가 네트워크에 저장되고 오디오 지향 자동화 및 지능형 분류 시스템이 요구됩니다. 오디오 신호 분류 연구는 이러한 시스템의 개발을 촉진하는 데 중요합니다. 오디오 신호 분류 연구에서, 특징 추출, 특징 집합 최적화 및 분류 자 설계가 가장 중요한 세 가지 측면입니다. 기존의 오디오 관련 문헌에 대한 연구와 분석을 통해 오디오 연구의 초점은 주로 다음을 포함하는 것으로 밝혀졌습니다 : 특징 추출에서 다른 특징 추출 방법에 대한 연구; 기능 집합 최적화에서 다른 기능 선택 알고리즘 연구; 분류 자의 설계에서, 다른 분류 알고리즘의 분류 성능이 연구된다. 이 백서는 위의 세 가지 측면에 초점을 맞추고 완성 된 저작물은 주로 다음과 같은 부분을 포함합니다. 1. 시간 영역 기능, 주파수 영역 기능, 셉 트럼 영역 기능 및 기타 기능을 포함한 다양한 오디오 피쳐 추출 방법 사용 총 89 개의 오디오 기능 카테고리는 원래의 오디오 피처 세트를 구성합니다. 특징 집합 최적화 문제에 대하여 피어슨 상관 계수 기반 엔트로피 가중치 법에 기반한 특징 선택 알고리즘과 릴리프 알고리즘에 기반한 특징 선택 알고리즘을 연구한다. 개선 된 상관 계수 특징 선택 알고리즘이 제안된다. 네 가지 특징 선택 알고리즘의 타당성과 타당성을 실험으로 검증하고 알고리즘의 장점과 단점을 비교합니다. 결정 트리 기반 분류기, K 최근 접 이웃 분류기 및 BP 신경망 기반 분류기가 설계된다. BP 신경망이 국부 최적으로 떨어지기 쉽다는 문제가 연구된다. 시뮬레이션 된 어닐링 알고리즘에 기반한 BP 신경망 분류기가 설계되었습니다. 원래의 오디오 기능 세트는 4 가지 종류의 오디오 장치에 각각 입력되고, 음성 및 음악 분류가 완료됩니다. 실험, 음악 장르 분류 실험 및 음악 악기 분류 실험. 실험 결과에 따르면 개선 된 BP 분류기, 기존 BP 분류기, ID-3 의사 결정 트리 분류기 및 K 최근 접 분류기를 사용하여 얻은 평균 분류 정확도는 각각 96.15 %, 92.86 %, 93.60 % 및 85.98 %입니다. 향상된 BP 신경망 분류기는 네 개의 최적화 된 기능 세트를 분류하는 데 사용됩니다. 실험 결과는 개선 된 특징 계수 특징 선택 알고리즘을 사용하여 얻어진 분류 결과가 음성 및 음악에서 최상임을 보여준다. 분류 실험, 음악 장르 분류 실험 및 악기 분류 실험의 평균 분류 정확도는 각각 97.78 %, 92.69 % 및 98.50 %입니다.
오디오 전문가는 매우 간단한 오디오 도구입니다. 오디오는 사용자에게 오디오 형식 변환, 오디오 병합 및 기타 기능을 제공합니다. 컴퓨터의 오디오 텍스트 파일에서 파트를 유지하고 새 오디오 파일을 만들 필요성을 추출 할 수 있습니다. 그것은 사용자를위한 좋은 도우미입니다.
오디오 전문가 기능 :
1. 음악 포맷 변환 : 당신은 어떤 MP3, WAV, WMA, AAC, AU, AIF, 원숭이, VOC, FLAC, M4A, OGG 및 기타 인기있는 오디오 포맷간에 변환 할 수 있습니다.
2. 음악 세분화 : 음악 파일을 여러 개의 작은 음악 파일로 분할하고 시간 길이, 크기, 평균 배포 설명서 및 자동에 따라 세분화를 지원합니다.
3. 음악 차단 : 오디오에서 수집해야 할 부분을 추출하여 오디오 파일로 만듭니다.
4. 음악 병합 : 여러 가지 또는 동일한 음악 형식 파일을 하나의 음악 파일로 결합합니다.
5. MP3 볼륨 조절 : 음질 손실없이 MP3 곡의 볼륨을 조절합니다. 음악 디스크를 굽기 전에 또는 노래를 휴대폰으로 복사하기 전에 모든 MP3 노래의 볼륨을 같은 크기로 분석하고 조정할 수 있습니다. 노래를들을 때 플레이어의 볼륨을 더 이상 조절할 필요가 없습니다.
