音频分类

摘要： 梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)是一种符合人耳听觉特征,并与频率呈非线性对应关系的频谱特征,广泛应用在语音识别、音频特征分析等方面。对于目前广泛使用的通过单一特征进行音频分类的方法,存在分类准确度低、处理速度慢等方面的不足,提出了基于梅尔频率倒谱的音频分类算法,该算法对音频设定采样率,获取音频的时间序列,并根据时间序列提取梅尔频率倒谱系数特征,将获取的二维特征值进行数据拟合、标准化处理。构建多层卷积神经网络模型,将标准化处理后的梅尔频率倒谱系数特征作为网络的输入,通过交叉熵验证的方法,对模型的输出进行分类。通过实验数据可知,梅尔频率倒谱系数特征通过多层卷积网络处理后,分类结果准确率达到92.8%,使用模型进行分类时,速度达到每个样本7 ms的耗时,模型能对音频进行准确快速的分类。

摘要： 为施行有效的音频分类以高效率处理日渐复杂的音频信息,研究采用包含多种神经网络在内的5种机器学习模型,实现多种决策下的音频分类以寻找最优模型,基于分类准确度对各模型分类效果进行评估,在使用正则化方法保证模型泛化能力的条件下,通过比较和实验,挖掘并验证出了相对最优的模型——卷积神经网络音频分类模型及对应参数,为现有音频分类模型的进一步优化提供了参考方向.

摘要： 为解决单一语音、音乐音频及其两者的混合音频进行语音/音乐分类时分类结果不准确的问题,提出一种基于音频分割的音频分类算法.利用能熵比特征进行音频分割,分割出的音乐段较为准确,而利用幅度均方根特征进行音频分割,分割出的语音段较为准确,避免了对语音段的过度分割.将两种分割方法分割所得音频段的起点和终点升序排列并两两组合形成新的音频段作为音频分割结果,音频分割结果中的每一个音频段即一种类型的音频.对音频分割结果中的每一个音频段提取幅度的峰态系数和平均基频两个特征,并利用高斯混合模型作为后端分类器进行分类.最后为了消除过分割现象,将同类型的相邻音频段合并便得到最终分类结果.实验结果表明,所提出的算法对混合音频具有很高的分割准确率,达到98.24％,对单一音频和混合音频仅提取二维特征便得到较高的分类准确率,分别达到98％和98.61％,与同类算法相比较分类准确率平均提高3.80％.

摘要： 水声目标识别的任务是通过采集到水声目标的信号来对目标进行分类,在海洋勘探,监听技术等领域有着非常重要和广泛的应用.由于海洋环境的复杂性,以及船只目标发动机的多样性以及噪声的存在,水声目标识别是一个困难的任务.传统的特征提取方法无法提取到足够有效的特征表示,充分地表示目标.为了解决这个问题,本文提出了一种基于改进的视觉化词袋模型的水声识别算法,通过使用视觉化词袋模型对频谱图进行高维的特征提取,然后使用了自然语言处理领域中常见的词频-逆文件频率(TF-IDF)算法来对得到的特征向量进行权重调整,然后输入到多层感知机中,对水声目标进行分类识别.实验结果表明,本文提出的识别算法取得了92.53％的正确率,相比于当前效果最好的深度玻尔兹曼机(DBM)算法有了明显的提升.

摘要： 提出了一种针对竹笛技巧分类的数据集Breath和两个用于竹笛技巧分类的神经网络参考模型Breath1d和Breath2d,并针对此数据集的不同分类任务给出了最佳方法.将Breath数据集划分成子集,以多层感知机为性能评价基准方法,先用Breath1d和Breath2d模型对子集进行训练和预测,再用长短期记忆网络模型进行辅助测试,最后得出了最适合子任务的分类参考模型.对全数据集进行分类时,将Breath2d与Breath1d模型进行融合,并采用数据增强方法使全集分类准确率达到0.913.与传统音频分类任务相比,该工作扩展了音乐分类的研究领域,对民族音乐现代化发展有着良好的推动作用.

摘要： 本文根据当前江苏广播广告的类型和播出流程,针对广告播后检测的需求设计了一个基于人工智能的广告自台监播系统,系统基于音频声纹对比技术检测普通广告,基于语音转写技术检测口播广告,并通过音频分类技术和自然语言处理技术对检测结果进行优化,提供广告播出情况的可视化图表和统计分析数据,实现了全频率、全类型、智能化的广告播后检测.

摘要： 针对现阶段敏感音频识别分类方法普遍存在精度不高的状况,以阵地音频文件作为数据源构建敏感音频识别样本库,并通过深度学习残差网络训练敏感音频分类识别模型,用测试音频对准确率、精确率及召回率进行精度评价,并将其与卷积神经网络法、添加梅尔倒谱系数的支持向量机及添加梅尔倒谱系数的随机森林法进行对比。结果表明:提出的方法在敏感音频识别分类方面具有更好的表现。

摘要： 海洋声场环境的时变空变特性、水声目标发声机理的多源性以及其他噪声源的干扰,给水声目标的检测和识别带来很多困难.常规的目标识别手段主要是基于音频时频域特征分析,在复杂海洋环境下的难以获取有效的表征特征及鲁棒的识别效果.为了解决这些问题,本文提出了基于迁移学习的水声目标识别,分别利用预训练网络VGG和VGGish提取深层声学特征及模型微调,实现水声目标的分类识别.实验表明,本文提出的识别算法有效提升了识别准确率,减少了训练时间,基于微调的迁移学习算法在水声目标识别上平均准确率为92.48％,取得了当前最好的识别结果.

摘要： 森林是地球上最宝贵的资源,但森林和古树被盗伐的事件却经常发生.将音频分类技术应用于森林保护,通过对盗伐过程中产生的音频进行识别,达到森林保护预警的目的.针对盗伐事件的音频场景特性,提取电锯声、引擎声、机器轰鸣声、手锯声、风噪等五种声音的音频特征,然后使用支持向量机作为分类器对音频事件进行识别.最后根据识别结果确定是否有盗伐行为发生.通过不同训练样本数量对比实验、随机样本实验和单项音频识别准确率实验最终确定总体识别率为99.1％,各项音频单独识别率在90％以上,说明此方法具有较好的识别效果.

摘要： 为了提高音频数据分类正确率,提出一种通过非负张量分解的分类方法.音频信号经过预处理后,提取声学特征和感知特征参数,然后构建非负的三阶音频张量,其各阶分别对应特征、帧、样本;其次,通过非负张量分解得到每一类音频的核张量与因子矩阵,让测试样本构建的张量与各类型音频的因子矩阵的转置进行张量乘,得到对核张量的近似;最后,通过Frobenius范数进行相似性度量完成分类.使用古典音乐、流行音乐、语音、噪声4种类型的音频数据测试分类效果,实验结果表明:平均分类正确率在85％以上,说明该方法可以有效的完成音频分类.

摘要： 视频中的音频分类和语音识别是视频分析与理解的基础工作。本文提出了一种基于规则和支持向量机（SVM）的音频分类方法，将音频分为静音、语音和音乐。根据音频类别信息，设计切分算法，对相同类型的音频进行聚类，得到音频切分信息。在音频切分基础上，本文使用Sphinx 工具包构建了一个自动语音识别系统，对语音段进行语音识别，提取视频中的语音脚本信息。在对CCTV-4 约半小时的视频实验表明,本文提出的分析研究方法能较好的进行音频分类和切分。

摘要： 音频作为多媒体信息的重要载体之一，有效的丰富和补充了人们对信息的感知和获取。音频特征分析与抽取是音频分类的基础，因此音频特征提取的有效性，对于改善基于内容的音频检索系统的性能是非常重要的。本文利用粗糙集的相关理论与应用技术，将提取的音频特征进行约简，得到了一个低维有效的特征子集，并利用广义模型进行分类，实验证明该方法的有效性。

摘要： 为方便互联网数据的检索，根据复杂音频数据的特点，本文采用同一种特征参数----Mel频率倒谱系数及其动态参数将互联网上的才艺表演音频数据集分类为纯语音类节目、纯乐器类节目、配乐朗诵类节目、歌唱类节目及其他。由该特征参数的特点以及各类表演音频之间的差异，提出一种特征筛选及模型训练的多级二分类音频分类方法，即先对各级音频数据的特征进行选择，然后再用选择后的特征对GMM进行训练。对测试数据的实验结果表明，该方法能使特征维数减少且分类正确率有所提高。

摘要： 本文结合贝叶斯决策理论和统计学习思想，将概率神经网络(PNN)应用于音频分类，选用较少的音频特征将音频信号分为语音、音乐和静音三种类型，最后分析了PNN的分类性能及其泛化能力。实验表明，本文算法分类效果良好，分类准确率可以达到98.67％。

摘要： 通过大词汇量连续语音识别技术对广播音频进行自动抄本(Automatic Transcription)，将新闻音频转换成文本,是实现新闻结构化分割、基于内容语义访问和检索的前提.本文设计与开发了一个中文新闻字幕自动生成系统--ACG(Automatic Caption Generator),输入为新闻视频,输出为字幕文本.以为语料,实现了音频提取、音频分类与切分、大词汇量连续语音识别、视频文件的播放和文本字幕的自动生成等多项功能.新闻字幕的自动生成,避免了繁重费时的人工字幕添加过程,方便了听障等特殊人群和特殊场合的收视需求.

摘要： 音频分类是音频分析中的一项基本任务,它为基于内容的音频检索做准备.目前对音频分类方法的研究有很多.音频特征分析和抽取是音频分类的基础.许多文献是基于时域或傅立叶变换频域提取音频信号的特征的,但由于音频信号的短时平稳性,这些方法具有一定的局限性.小波理论的出现为信号分析提供一种时频分析工具,它已经成功地应用于不同的信号分析中.音频信号经小波变换后满足不确定性原则,提高了时频分辨率,同时也符合人耳的时频分辨特性.本文运用离散小波变换,利用小波系数计算质心、带宽、子带能量和静音比等特征,并根据得到的子带能量计算前后子带能量比,利用能量比对各子带能量进行处理,得到新的子带能量.将这些特征作为音频分类的基础,根据小波域中特征向量的特点,分别构造两个不同的线性判别式函数,从而把音频分成四种不同的种类.实验结果表明这种方法比较简单,提取小波域的特征所花费的计算较少,分类准确率达到87.2％。

摘要： 本文针对广播新闻语料声学环境复杂多变的特点,构建了完整的广播新闻语料识别系统一ThinkIT-BNR系统.该系统包括:音频匹配、音频自动分段、音频分类、说话人聚类、识别后处理,以及多阶段识别策略等多个模块.本文还通过半自动标注方法,建立了70小时的广播新闻语料库.对新闻联播节目的测试表明,ThinkIT-BNR系统的误识率仅为10.14％.

摘要： 本文通过建立mp3歌曲数据库,分析并选择了音频信号特征,研究了最近特征线(NFL)方法,最终把NFL用到所建立的数据库中,对语音、纯音乐和语音-音乐的混合三类音频信号进行分类.实验的结果表明,特征用14维MFCC时,NFL能够有效地对语音信号、纯音乐信号、语音-音乐的混合信号进行分类,正确率达到95.01％.

摘要： 本文通过建立mp3歌曲数据库,分析并选择了音频信号特征,研究了最近特征线(NFL)方法,最终把NFL用到所建立的数据库中,对语音、纯音乐和语音-音乐的混合三类音频信号进行分类.实验的结果表明,特征用14维MFCC时,NFL能够有效地对语音信号、纯音乐信号、语音-音乐的混合信号进行分类,正确率达到95.01％.

摘要： 本发明公开了一种宽带音频编解码器中的音频信号分类装置，背景噪声估计控制模块用于接收分类参数提取模块的频谱分布参数，并将更新速率发送到信号初始分类模块；信号初始分类模块根据子带能量参数和更新速率对所述音频输入信号进行初始分类，将初始分类结果发送到分类参数提取模块和信号分类判决模块；分类参数提取模块用于对输入信号进行提取和分类，将得到的信号分类特征参数发送到信号分类判决模块，同时将得到的频谱分布参数反馈到背景噪声估计控制模块；信号分类判决模块根据所述初始分类结果对所述分类特征参数设置类别最终标志，所述类别最终标志用于定义输出信号的判决类型。本发明还公开了一种宽带音频编解码器中的音频信号分类方法。

摘要： 本发明公开了一种应用于音频监控的音频场景分类方法、装置以及设备，本发明的构思在于针对现有音频场景分类方式耗时且浪费资源的问题，从两个方面解决，一方面是基于处理时效性，实时针对每一个音频分段进行质量研判，保证只对有效音频片段进行检测，并且是以音频片段作为处理单位，一旦检测出分类结果便终止对其他可用片段的处理，这样可以大幅减少不必要的检测过程；另一方面，利用RNN架构的特点在场景类型检测过程中无需再保存各音频片段的信息，仅需要将前一步处理结果作为后续处理的输入，这样可以充分节约资源空间。由此可见，本发明既能够保证处理时效，又能够使系统轻量化，从而可以灵活适用于各种规模的音频监控应用环境。

摘要： 本发明涉及一种被配置为将音频信号分类为一个或多个音频场景类别的音频处理装置(200)，所述音频信号包括分量信号。所述装置(200)包括：处理电路，被配置为：将所述音频信号的所述分量信号分类为前景层分量信号或背景层分量信号；基于所述音频信号获得音频信号特征；根据对所述分量信号的所述分类，选择第一权重集或第二权重集；以及基于所述音频信号特征、所述前景层分量信号或所述背景层分量信号以及所述选择的权重集，对所述音频信号进行分类。

摘要： 本发明公开了一种音频特征提取方法和装置、训练方法及音频分类方法，提取方法包括：按照预设的窗口长度获取待提取音频；待提取音频包括M帧音频帧；计算每一音频帧对应的频谱，并对每一频谱进行分析，获得每一音频帧对应的基频；计算每一基频的k倍频率；根据每一音频帧对应的所述k倍频率和频谱，确定每一音频帧对应的k倍频率点；根据每一k倍频率点和预设的局部半径，从每一频谱中确定每一音频帧对应的特征频率点；将每一特征频率点对应的频率作为每一音频帧对应的特征频率，并根据M帧音频帧对应的特征频率，提取出待提取音频的音频特征。本发明能够提取出反映音频的周期性特点的音频特征，能用于对具有周期性特点的音频进行识别或分类。

摘要： 本发明公开一种基于音频特征空间分层描述的音频分类方法，步骤为：通过考察各音频类型GMM模型高斯空间分布之间的重叠程度，将重叠度大的不同类型的高斯分布进行合并，构建音频特征空间描述子；音频类型对区分子模型：根据音频特征空间描述子的构成信息，筛选出音频类型对的非重叠空间描述子以及重叠度小的描述子，然后利用所筛选出的区分描述子构建音频类型对的区分子模型；复杂音频类型的子类型模型采用UBM‑GMM的方法；一个音频样本分别从音频特征空间、音频类型空间、音频类型子空间三个层次进行评价，并辅以音频类型对区分子模型评价构建识别方法。本发明既结合传统高斯混合模型的优点，又能很好地对复杂音频进行区分，能较大提高音频分类的准确率。

摘要： 本申请提供一种音频分类模型的训练方法、音频分类方法、装置及设备，属于音频处理技术领域。音频分类模型的训练方法包括：获取音频样本，音频样本包括：语音音频样本、音乐音频样本；对各音频样本进行分帧，并提取帧特征；采用预设窗函数，提取各音频样本中每帧的窗特征，并根据帧特征获取组合特征，其中，组合特征标记语音标签或音乐标签；采用组合特征和预设神经网络，训练获取音频分类模型。本申请可以将复杂程度较高的音乐音频和语音音频进行分类，进而提高分类结果的准确性。

摘要： 本发明公开了一种音频分类模型的训练方法，包括：根据预设的高斯概率模型对预先采集的音频样本集中的音频数据进行计算，得到音频的训练集；将所述音频的训练集中的音频数据进行傅里叶变换得到对应的频谱；将所述频谱输入至预设的GRU神经网络中进行后向传播训练，直至损失收敛，以得到训练完成的音频分类模型。本发明实施例还公开了一种音频的分类方法及装置，能有效解决现有技术由于环境噪音的影响经常出现误检的问题。

摘要： 本申请公开了一种音频特征提取模型的训练方法和音频分类方法，属于计算机技术领域。所述方法包括：获取样本音频对应的原始频谱数据和基准识别结果；对原始频谱数据进行元素遮挡处理，得到原始频谱数据对应的模糊频谱数据；由待训练的音频特征提取模型对模糊频谱数据进行特征提取，得到样本音频对应的音频特征；由待训练的音频识别模型对音频特征进行结果识别，得到样本音频对应的预测识别结果；基于基准识别结果和预测识别结果，对待训练的音频特征提取模型和待训练的音频识别模型进行调参。采用本申请，可以提高训练完成的音频特征提取模型的抗噪声性能，使其可以适用于更多复杂场景中的音频，从而得到更为准确的音频特征。

摘要： 本申请涉及一种音频分类方法、音频搜索方法、计算机设备和计算机程序产品。通过基于曲库中所有歌曲的音频特征将曲库中歌曲进行聚类处理得到多个歌曲分组，在多个分组中确定存在目标歌曲的第一目标歌曲分组和第二目标歌曲分组，分别获取目标歌曲与第一目标歌曲分组中标准歌曲的第一相似度和目标歌曲与第二目标歌曲分组中标准歌曲的第二相似度，基于第一相似度和第二相似度对第一目标歌曲分组和第二目标歌曲分组重新分组。相较于传统的根据音频交集进行合并的方式，本方案通过基于目标歌曲在其所在的各个目标歌曲分组中各自的相似度对第一目标歌曲分组和第二目标歌曲分组进行重新分组，令在搜索时减少推送重复音频，提高了音频分类的准确度。

摘要： 本申请提供一种人声音频识别模型训练方法、音频分类方法和系统。其中，人声音频识别模型训练方法，包括：获得训练音频中的子音频的时频二维图，并作为神经网络的输入得到子音频属于特定分类的概率值；利用所述子音频属于特定分类的概率值与预设的子音频的分类优化神经网络参数，使神经网络得到的子音频所述属于特定分类的概率值向所述预设的子音频分类收敛。采用本发明提供的方法能够识别人声音频的分类。