15、智能音频信号分类的特征提取方法

智能音频信号分类的特征提取方法

1. 引言

在大数据时代，涉及数据挖掘、数据处理、模式识别、实时处理和分类等的系统面临着巨大挑战，因为原始数据量极为庞大。尽管许多系统集成了多种传感器，如视觉、声音、振动和红外传感器等，但本文聚焦于声音信号。

监控系统十分复杂，通常由智能设备和人类代理组成，旨在弥补人类的感知和理解能力。监控系统并非新鲜事物，但其在现代面临着信息技术爆炸、社交媒体普及和全球化带来的新挑战。监控系统的复杂程度因规模和环境而异，其阶段包括数据采集、预处理、时空归一化、对齐、特征提取或表征、训练、测试以及可能的传感器数据融合。

声音信号在监控环境中具有重要作用。例如，在边境安全中，视觉可能受限，声音传感有助于识别车辆、人类或动物的入侵；在政府建筑安全中，声音传感可辅助视觉和其他传感器，提升态势感知能力。

2. 理论背景

在特征提取操作中，考虑了三种方法：快速傅里叶变换（FFT）、线性预测编码（LPC）和基于统计的表征（SBC）。音频信号需分割成重叠窗口，每个窗口通过汉明窗平滑，然后使用上述三种表征技术之一进行处理。

2.1 FFT/PSD 方法

采用“Welch”方法，利用功率谱密度（PSD）Welch 估计技术对单个信号帧进行分割和处理。算法步骤如下：
1. 根据窗口大小和重叠数将输入信号向量 x 分成 k 个重叠段。若未指定窗口大小，k 为 8；否则，$k=\frac{m - o}{l - o}$，其中 m 是信号向量 x 的长度，o 是重叠样本数，l 是每个段的长度。
2. 将指定（或默认）窗口应用于 x 的每个段。
3. 对加窗数据应用 nfft