[發(fā)明專利]基于支撐向量機(jī)的基帶時(shí)域音頻信號分類方法

有效

• 申請?zhí)枺?/td>: 201210125085.7
• 申請日: 2012-04-25
• 公開（公告）號: CN102760444A
• 公開（公告）日: 2012-10-31
• 發(fā)明（設(shè)計(jì)）人: 劉一民;李元新;孟華東
• 申請（專利權(quán)）人: 清華大學(xué)
• 主分類號: G10L21/02
• 分類號: G10L21/02;G10L19/00;G10L11/00;G10L15/06
• 代理公司: 西安智大知識(shí)產(chǎn)權(quán)代理事務(wù)所 61215
• 代理人: 賈玉健

1.基于支撐向量機(jī)的基帶時(shí)域音頻信號分類方法，其特征在于，包括如下步驟：

步驟一：將總長度為N的基帶時(shí)域音頻信號序列s＝{s(1)，s(2)，...，s(N)}分為K段，每段長度為L，得到初始分段子序列s1={s1(1),s1(2),...,s1(L)}s2={s2(1),s2(2),...,s2(L)}...sK={sK(1),sK(2),...,sK(L)},]]>其中s_i(m)＝s((i-1)L+m)(i＝1，2，...，K，m＝1，2，...，L)，然后每個(gè)初始分段子序列分別減去各自的均值，可得零均值分段子序列x1={x1(1),x1(2),...,x1(L)}x2={x2(1),x2(2),...,x2(L)}...xK={xK(1),xK(2),...,xK(L)},]]>其中

xi(m)=si(m)-1LΣj=1Lsi(j);]]>

步驟二：對每個(gè)零均值分段子序列進(jìn)行加窗處理，得到結(jié)果為x1′=x1wTx2′=x2wT...xK′=xKwT,]]>其中w為漢寧窗；

步驟三：對加窗處理后的結(jié)果分別進(jìn)行傅里葉變換處理，得到每個(gè)加窗后的零均值分段子序列的頻譜幅度序列為f1=|FFT(x1′)|={f1(1),f1(2),...,f1(M)}f2=|FFT(x2′)|={f2(1),f2(2),...,f2(M)}...fK=|FFT(xK′)|={fK(1),fK(2),...,fK(M)},]]>其中M是頻譜幅度序列的長度；

步驟四：分別求出每個(gè)頻譜幅度的標(biāo)準(zhǔn)差d＝{d(1)，d(2)，...，d(K)}，其中然后求出所有標(biāo)準(zhǔn)差的平均值，得到該基帶時(shí)域音頻信號序列的一個(gè)特征量，即頻譜幅度標(biāo)準(zhǔn)差

步驟五：將各個(gè)零均值分段子序列x₁，x₂，...，x_K按照次序依次組合成為一個(gè)長序列x，即x＝{x₁，x₂，...，x_K}＝{x(1)，x(2)，...，x(N)}，然后計(jì)算出該序列的歸一化自相關(guān)矩陣，結(jié)果為其中Q是自相關(guān)矩陣的維數(shù)，取值范圍為[50，90]；

步驟六：對自相關(guān)矩陣R進(jìn)行奇異值分解，得到R＝VΛV^H，其中

Λ＝diag(λ₁，λ₂，…，λ_Q)_Q×Q＝diag(γ₁+σ²，…，γ_p+σ²，σ²，…，σ²)_Q×Q，且γ₁≥γ₂≥…≥γ_p，從而得到子空間的分界點(diǎn)p；

步驟七：根據(jù)計(jì)算出該基帶時(shí)域音頻信號序列的另一個(gè)特征量，記為信噪比參量

步驟八：將該基帶時(shí)域音頻信號序列的兩個(gè)特征量，即頻譜幅度標(biāo)準(zhǔn)差D和信噪比參量構(gòu)成輸入向量，送入已經(jīng)訓(xùn)練過的SVM分類器中，從而鑒別出該基帶時(shí)域音頻信號的種類，區(qū)分出語音信號和噪聲信號。