基于小波和支持向量機模型的音頻分類研究.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)是一種非語義符號表示和非結(jié)構(gòu)化的二進制流，如何提取音頻中的內(nèi)容語義和結(jié)構(gòu)化信息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用的關鍵?；趦?nèi)容的音頻分類作為解決音頻結(jié)構(gòu)化問題的核心技術，是當前音頻內(nèi)容自動分析領域的一個研究熱點。
　　支持向量機SVM(Support Vector Machines)是近年來機器學習研究的一項重大成果。作為一種新的機器學習方法，SVM能

2、較好地解決小樣本、非線性和高維數(shù)等實際問題，因此成為繼神經(jīng)網(wǎng)絡研究之后新的研究熱點。本文圍繞音頻分類的兩大技術難點——特征分析與抽取以及分類器設計展開研究，主要內(nèi)容如下：
　　(1)概要地介紹了SVM的基本理論，提出使用多類分類方法來研究音頻分類。
　　(2)本文從幀層次上分析了不同類音頻之間的區(qū)別性特征，對車鳴聲，鐘聲，風聲，冰塊聲，機床聲和雨聲等六類環(huán)境音進行分類。實驗結(jié)果表明，基于SVM多類分類器的環(huán)境音分類性能較好，