L'audio realizza principalmente le seguenti funzioni: una, estrarre la busta dell'audio, realizzando il volume è troppo grande, troppo piccolo e la funzione di rilevamento di intercettazione; B, confrontando i valori di energia prima e dopo l'interruzione di audio, per realizzare la funzione di rilevamento audio; C, l'audio linea retta di primo ordine montaggio elaborazione è eseguita sul valore volume all'inizio e alla fine ottenere la pendenza e l'offset verticale della linea retta montata, in modo da realizzare la funzione di rilevamento del primo-fine fade-in e fade-out effetto; D. il tipico spettro sonoro corrente ha caratteristiche evidente linea brillante. Calcolando l'energia audio e il corrispondente valore di varianza, questa caratteristica viene analizzata per realizzare la funzione di rilevamento audio corrente. L'invenzione ha i vantaggi che è adottato il metodo per estrarre la busta e la precisione del rilevamento del volume è ulteriormente migliorata; la rilevazione della dissolvenza dentro e fuori è ben eseguita, e la precisione è alta; il metodo ha un effetto di rilevamento bene il suono corrente specifico.
Con il continuo miglioramento della qualità della vita della gente moderna, inseguimento di gente di musica di qualità sta diventando sempre più urgente. Alta qualità MP3s, musica in formato senza perdita di dati e simili, siti di apprezzamento di musica e software sono sempre più coinvolti nella vita quotidiana delle persone. Tuttavia, in un gran numero di librerie musicali di musica, la qualità dell'audio non è uniforme, e la rilevazione manuale della qualità del suono richiede un'enorme quantità di lavoro e non è sostenibile. Di conseguenza, questo richiede una buona misura per risolvere questo problema.
Il metodo di rilevamento delle feature audio, queste caratteristiche influenzerà l'effetto uditivo del pubblico in una certa misura, fornendo così un certo riferimento per la rilevazione artificiale di qualità del suono. Attraverso questo metodo, le funzionalità audio possono essere automaticamente rilevate, l'enorme carico di lavoro e il rischio di manodopera di rilevamento manuale sono ridotti e l'efficienza di rivelazione è effettivamente migliorato. Allo stesso tempo, può essere ridotto il tasso di rilevazione falsa caratteristico causato da fattori umani, e la precisione del rilevamento è ulteriormente assicurata.
L'estrazione di caratteristiche audio, poi analizza l'efficacia e la robustezza di queste funzionalità per distinguere i diversi tipi di audio da due aspetti. Infine, basato su queste caratteristiche, un classificatore di support vector machine (SVM) viene utilizzato per addestrare e testare su un set di dati audio di circa 5 ore, dividere l'audio in cinque categorie predefinite: muto, puro discorso, discorso impuro, musica e suono d'ambiente. I risultati sperimentali mostrano che utilizzando efficaci funzionalità audio, è possibile classificare le scene audio in diversi tipi.
