I en tid med store data gemmes flere og flere lyddata i netværket, og lydorienteret automatisering og intelligente klassifikationssystemer er efterspurgte. Audiosignalklassifikation er afgørende for at fremme udviklingen af sådanne systemer. I audiosignal klassificering forskning, funktion ekstraktion, funktion sæt optimering og klassificer design er de tre vigtigste aspekter. Gennem forskning og analyse af eksisterende lydrelaterede litteraturer er det konstateret, at lydforskningens fokus hovedsagelig omfatter: forskning i forskellige egenskabsekstraktionsmetoder ved funktionens ekstraktion; i funktionalitetsoptimering, forskning på forskellige funktionsvalg algoritmer; I klassificatorens design studeres klassificeringsydelsen af forskellige klassifikationsalgoritmer. Dette papir fokuserer på ovenstående tre aspekter, og det færdige arbejde omfatter hovedsagelig følgende dele: 1. Brug af forskellige metoder til ekstraktion af lydfunktioner, herunder tidsdomænefunktioner, frekvensdomænefunktioner, cepstrum-domænefunktioner og andre funktioner. I alt 89 lydfunktioner af kategorien udgør det oprindelige lydfunktionssæt. Til funktionalitetsoptimeringsproblemet er funktionsvalgsalgoritmen baseret på Pearson-korrelationskoefficienten, funktionsvalgalgoritmen baseret på entropi-vægtmetode og funktionsvalgalgoritmen baseret på Relief-algoritme undersøgt. En forbedret korrelationskoefficientfunktionsvalgsalgoritme foreslås. Gyldigheden og gennemførligheden af de fire funktionsvalgsalgoritmer er verificeret ved forsøg, og fordele og ulemper ved algoritmerne sammenlignes. En beslutningstræbaseret klassifikator, en K nærmeste naboklassifikator og en BP-neurale netværksbaseret klassifikator er designet. Problemet, at BP neurale netværk er let at falde ind i lokalt optimum er undersøgt. En BP Neural Network Classifier baseret på simuleret glødende algoritme er designet. Det oprindelige lydfunktionssæt indgår i henholdsvis fire slags lydenheder, og talen og musikklassifikationen er afsluttet. Eksperimenter, musikgenre klassificering eksperimenter og musik instrument klassificering eksperimenter. De eksperimentelle resultater viser, at de gennemsnitlige klassifikationsnøjagtighedsrater opnået ved anvendelse af forbedret BP-klassificator, traditionel BP-klassifikator, ID-3 beslutningstræsklasse og K nærmeste naboklassificering er henholdsvis 96,15%, 92,86%, 93,60% og 85,98%. Den forbedrede BP neurale netværks klassifikator bruges til at klassificere de fire optimerede funktionssæt. De eksperimentelle resultater viser, at klassificeringsresultaterne opnået ved at bruge den forbedrede funktionskoefficientfunktionsvalgalgoritme er de bedste i tale og musik. De gennemsnitlige klassifikationsnøjagtighedsgrader for klassifikationseksperimenter, musikgenreklassifikationseksperimenter og musikklassifikationseksperimenter var henholdsvis 97,78%, 92,69% og 98,50%.
Lydeksperten er et meget simpelt lydværktøj. Audio giver brugere lydformatkonvertering, lydfusion og andre funktioner. Det kan ekstrahere brugerens behov for at beholde en del af en lydtekstfil på computeren, og derefter lave en ny lydfil. Det er en god hjælp til brugere.
Audio ekspert funktioner:
1. Musik Format Konvertering: Du kan konvertere mellem enhver MP3, WAV, WMA, AAC, AU, AIF, APE, VOC, FLAC, M4A, OGG og andre populære lydformater.
2. Musik segmentering: Split en musikfil i flere små musikfiler, og understøtt segmentering i henhold til tidslængde, størrelse, gennemsnitsdistributionsmanual og automatisk.
3. Musikaflytning: Uddrag den del, der skal hentes fra et stykke lyd, og gør det til en lydfil.
4. Sammenlægning af musik: Kombiner flere forskellige eller identiske musikformatfiler i en musikfil.
5. MP3-lydindstilling: Juster lydstyrken af MP3-sange uden tab af lydkvalitet. Det er muligt at analysere og justere lydstyrken af alle MP3-sange i samme størrelse, før du brænder musik disken, eller før du kopierer sangen til mobiltelefonen. Du behøver ikke justere lydstyrken af afspilleren længere, når du lytter til sangen.
