基于小波和隱馬爾可夫模型的音頻分類.pdf

1、音頻處理在多媒體信息處理中占有重要地位。原始音頻數(shù)據(jù)是一種非語(yǔ)義符號(hào)表示和非結(jié)構(gòu)化的二進(jìn)制流，如何提取音頻中的結(jié)構(gòu)化信息和內(nèi)容語(yǔ)義是音頻信息深度處理、基于內(nèi)容的音頻檢索以及輔助視頻分析等應(yīng)用的關(guān)鍵。基于內(nèi)容的音頻分類作為解決音頻結(jié)構(gòu)化問(wèn)題的核心技術(shù)，是當(dāng)前音頻內(nèi)容自動(dòng)分析領(lǐng)域的一個(gè)研究熱點(diǎn)。 本文圍繞音頻分類的兩大技術(shù)難點(diǎn)一特征分析與抽取以及分類器設(shè)計(jì)展開研究，主要內(nèi)容如下： 概要地介紹了HMM的基本理論和主要算法。深入

2、研究了語(yǔ)音、音樂(lè)的區(qū)別性特征及其計(jì)算方法，采用了音頻clip和音頻幀相結(jié)合的方法進(jìn)行音頻特征抽取。提出了一種基于各態(tài)歷經(jīng)混合高斯密度隱馬爾可夫模型(EMGD HMM)的音頻分類器，用于語(yǔ)音、音樂(lè)以及它們混合聲音的分類。該分類器采用了全連接Markov鏈，從而能夠有效地描述音頻中的狀態(tài)反復(fù)情況。對(duì)比實(shí)驗(yàn)結(jié)果表明，該分類器具有很高的分類精度。嘗試了結(jié)合小波分析和傅立葉分析進(jìn)行音頻特征抽取，其中對(duì)子帶能量和基音周期采用小波分析抽取，對(duì)頻譜中心