墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1k累计阅读
1k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
|
Project Information
Featured
| Open-ASE is an Audio Search engine based on audio fingerprinting. Open-ASE is in a starting stage, an in its tests it could correctly identify song records with 30 seconds of an audio sample. The project comes with the following demos:
Feel free to suggest changes and make your own patches and clones of the project. |
AudioSearch
基于landmark的音频指纹（Matlab实现）
landmark用于音频指纹的介绍参考这篇文章：https://blog.youkuaiyun.com/yutianzuijin/article/details/21547573 下面介绍一下具体的实现步骤: 1.时域分帧，分帧长度，窗类型，重叠长度都可以自己设定 2.对每一帧进行fft变化，然后求其能量 3.求局部最大值的值和坐标，这个可以参考我的这篇文章：点击打开链接 ...
matlab基于指纹匹配的音乐检索技术
音乐指纹是从音乐内容中提取出来的信息，它比原始数据更紧凑，反映了音乐重要的声学特征。总体看来，音乐指纹的研究和应用相对成熟。美国研究人员比较并评估了几种常用的指纹算法：：Echoprint，Chromaprint和Landmark，其中，Landmark是一个精度高，思路清晰的较好实施方案。基于指纹匹配的方法，使用FFT变换对音频进行频域分析，运用Landmark指纹构造算法提取音乐指纹，再根据信息检索原理，建立倒排索引结构，然后进一步利用指纹中的伴随信息达到精确检索的目的，由此设计一个本地音乐检索系统。
基于频带能量的音频指纹的Matlab实现
音频指纹简介 音频指纹是音乐识别中常用的一种技术手段，目的是在较短的时间识别在歌曲库内的歌曲。主要原理是提取当前音乐的音频指纹并与数据库中的指纹进行对比，从而达到识别的目的。音频的特征有许多比如MFCC、傅里叶系数、LPC系数等，本文使用matlab实现一种基于频谱能量的音频指纹，论文下载地址：音频指纹。 音频指纹提取流程 本文所提取的音频指纹由256个32比特的子指纹构成，其中每隔11.6...
音频：听声识曲，音乐均衡器与傅立叶变换算法，双音多频（DTMF）
音频PCM，音频采样率，音频的频率和功率； 双音多频技术？音乐均衡器，频域的增益或衰减； 频谱、频域与傅立叶变换算法； -- 听声识曲公司为何得到Apple的青睐- https://blog.youkuaiyun.com/dQCFKyQDXYm3F8rB0/article/details/87568925 音乐识别服务和技术,最早流行的 Gracenote、SoundHound、Track ID、T...
GUI实例制作加好玩的matlab制作的小游戏
这是一个很好的gui设计的例子哦，能运行，且是一个游戏，闲暇是玩玩也是很不错的 哦.....
python实现音乐指纹检索（听歌识曲）
半成品，能用！未处理数据库检索问题，歌曲少还可以。未打包处理，数据库pymysql也是连接我自己用的，需要改。使用顺序： add添加音乐文件（可以是目录也可以是文件，目录里含别的文件也没事，音乐文件只识别wav和mp3）。search会录音加检索。录音时间最好在10秒以上，因为指纹密度低，你也可以改密度，程序核心是find_landmarks.m，非原创。含翻译，数据处理上我也有很多疑问，用？标注了。
用Python实现一个简易的“听歌识曲”demo（一）
0. 背景 最近两年，“听歌识曲”这个应用在国内众多的音乐类APP火热上线，比如网易云音乐，QQ音乐。用户可以通过这个功能识别当前环境里正在播放的歌曲名字，听起来很酷。其实“听歌识曲”这个想法最早是由一家叫Shazam的国外公司提出的。 - 2008年，Shazam率先在ios和android上发布了APP，并且整合了iTunes/Amazon’s MP3 store歌曲购买服务； ...
matlab语音识别（含界面）
matlab实现语音识别功能，并且在GUI界面上输出结果，具有录制功能，录制语音库进行训练。可运行，无BUG。
MATLAB的GUI小游戏—听歌识曲
这是我用MATLAB的GUI设计的第二个小游戏，基本功能和我之前的小游戏类似，参见我的另一篇博客：MATLAB的GUI小游戏—你话我猜
音频检索的matlab代码
语音识别是一门交叉学科。近二十年来，语音识别技术取得显著进步，开始从实验室走向市场。人们预计，未来10年内，语音识别技术将进入工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等各个领域。 语音识别听写机在一些领域的应用被美国新闻界评为1997年计算机发展十件大事之一。很多专家都认为语音识别技术是2000年至2010年间信息技术领域十大重要的科技发展技术之一。 语音识别技术所涉及的领域包括：信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。
YOLO26算法皮革表面缺陷检测+训练好的模型+124张数据集+pyqt可视化界面.zip
附训练好的 YOLO 权重与 PyQt 可视化检测界面，页面底部含可视化效果预览，毕设/课设开箱即用。 【数据集概况】 · 检测类别（中文）：[颜色(color), 切(cut), 折叠(fold), 胶水(glue), 好的(good), 戳(poke)] 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 68 个 epoch，最终轮指标： 指标 | 数值 mAP50 | **0.7582** mAP50-95 | 0.4306 Precision | 0.6226 Recall | 0.6520 train/box_loss | 0.8731 train/cls_loss | 2.3543 val/box_loss | 1.3709 val/cls_loss | 3.9767 【训练过程分析】 从一开始的配置就定下了基调，训练配置包括了 yolo26n 模型、100 个 epoch，学习率初始设为 0.01，输入尺寸定为 640x640，批次大小为 24。这组配置在开始阶段表现得不错，模型刚开始训练时的 loss 降低得很快，这表明模型能够迅速从数据中吸收信息。但到了中后期，loss 曲线变得愈发平缓，从第 50 个 epoch 开始，即使我增加了学习率衰减的频率，仍然感到曲线在挣扎，像是陷入了平台期。这期间模型的收敛节奏明显减缓，似乎有些“停滞不前”的迹象。到了最后，模型确实收敛了，但在第 68 个 epoch 时 mAP50 获得了 0.7582 的值，这是一个不错的成绩，但与理想值相比仍有提升空间。... 使用场景：毕业设计、课程设计、深度学习入门、工业场景落地验证。
听音训练手册--音频制品与听评
听音训练手册--音频制品与听评 jason corey zhu
【WSL2+Ubuntu+Docker Desktop】迁移到D盘
该篇文章包含将WSL2+ubuntu+Docker Desktop从C盘迁移到D盘
语音信号处理—MFCC特征提取(matlab代码)
MFCC 参数考虑了人耳的听觉特性，将频谱转化为基于梅尔频标的非线性频谱，然后转换到倒谱域上。由于充分考虑了人的听 觉特性，而且没有任何前提假设，MFCC 参数具有良好的识别性能和抗噪能力。 由于人类对于声音高低的的感知强度与该声音的频率的对数近似成正比，梅尔频率正是体现出了这种声音频率与人类感知声音高 低的对应关系。在梅尔频率域内，人对声音高低的感知程度是线性的，梅尔频率与语
IC面试常考题 Verilog三分频电路设计（占空比50%，三分之一，三分之二）
实现三分频电路最简单的是： 利用计数器实现。 时序图分析（本人比较懒，平常科研忙，所以直接手画时序图了，懒得用软件画了）： 直接上图分析：利用计数器每隔三个周期信号翻转一次，同时在不同的计数下翻转得到的同步信号 clk_1和clk_2，再利用异或即可实现出一个不同占空比的三分频信号（同样的方法也可扩展到其他奇数分频设计中）。 例如占空比50%： module Div_three( input clk, input rst_n, output div_three ); reg
别再只看K线了！聊聊“板块联动”和“热点轮动”的跟踪方法与工具（实战派分享）
本文深入解析了如何通过板块联动和热点轮动构建高效交易系统。从三维验证框架到主流工具配置，再到持续性热点的五大特征，实战派交易员分享了识别市场主线和预判轮动方向的高阶技巧，帮助投资者摆脱单纯依赖K线的局限，提升交易决策效率。
matlab音频指纹识别_Matlab读取音频数据
项目需要，读出识别的车牌，对着图片看看是否识别正确。有了0到9和A到Z，32个省份的音频，但是如何用matlab读出来，老版本有wavread直接读出，然后waveplay读入的即可。但是现在的是audioplayer了，对应的audiorecorder是录音用的，他是waveread的前身，然而功能却不一样。新的用法load chirpp=audioplayer(y,44100)play(p)注...
南邮 2024 软件安全 实验四 自动脱壳+手动脱壳
这次这个实验很简单，就是一个简单的脱壳，然后进行爆破就行了，解法非常的多这里不多讲，会简单讲一下特殊情况这个点开是这样子：然后放进peid里面查看，我这个是原版的PEid，所以显示出来是这样：会显示nothing found，但其实如果你使用吾爱破解的魔改过的peid，它就会显示具体的壳名：然后你点击右下角的那个箭头，里面会有很多的插件用来自动脱壳：你也可以使用这个通用脱壳器，但是脱壳后的程序无法运行，这个放到后面讲。
听歌识曲的基本原理
https://www.bilibili.com/video/av43455366 拿出手机录制片段，找到感兴趣的音乐，就是这么简单。不过，背后的原理是怎样的？ 想通过片段寻找对应的音乐，总共分两步： 提取片段的特征。过去人们曾尝试将音高的变化作为检索基础，效果并不理想。后来人们选择音乐转换成频谱图，每隔几十毫秒，提取一次标志点的特征，并将这种特征称为“指纹” 匹配。只要找到同样的“指纹”串片段...
CSM中一些常见问题的解决方式
CSM中一些常见问题的解决方式 抖动 摄像机在每帧移动或者旋转时，会产生较严重的抖动问题。
【软件使用】Calibre部分提参的实战技巧与常见问题解析
本文深入解析Calibre部分提参（Partial Extraction）的实战技巧与常见问题，涵盖PEX、hcell和xcell文件的高级应用。通过实际案例展示如何提升电路仿真效率，解决时钟信号失真等复杂问题，并提供版图设计中的防坑指南，助力芯片设计工程师优化工作流程。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3954
扫一扫
