Suurte andmete ajastul salvestatakse võrku üha rohkem audioandmeid ning nõudlusele on suunatud audio-orienteeritud automaatika ja intelligentsed klassifitseerimissüsteemid. Helisignaali klassifikatsiooni uurimine on selliste süsteemide arendamise edendamiseks ülioluline. Helisignaali klassifitseerimise uuringus on funktsioonide eraldamine, funktsioonide komplekti optimeerimine ja klassifitseerija disain kolm kõige olulisemat aspekti. Olemasolevate audiomaterjalide uurimise ja analüüsi abil leitakse, et audio-uurimistöö keskmes on peamiselt: erinevate omaduste ekstraheerimise meetodite uurimine funktsioonide ekstraheerimisel; funktsioonide komplekti optimeerimisel uuritakse erinevaid omaduste valiku algoritme; Klassifikaatori projekteerimisel uuritakse erinevate klassifikatsioonialgoritmide klassifikatsiooni. Käesolev dokument keskendub ülaltoodud kolmele aspektile ja lõpetatud töö hõlmab peamiselt järgmisi osi: 1. Erinevate helifunktsiooni eraldamise meetodite kasutamine, sealhulgas aja domeeni funktsioonid, sageduspiirkonna funktsioonid, cepstrumi domeeni funktsioonid ja muud funktsioonid kategooria moodustab algse helifunktsiooni komplekti. Funktsioonide komplekti optimeerimise probleemi puhul uuritakse Pearsoni korrelatsioonikoefitsiendil põhinevat funktsioonivaliku algoritmi, entroopia kaalu meetodil põhinevat funktsioonivaliku algoritmi ja Relief algoritmil põhinevat funktsioonivaliku algoritmi. Pakutakse parendatud korrelatsioonikoefitsiendi omaduste valimise algoritmi. Nelja funktsioonivaliku algoritmi kehtivust ja teostatavust kontrollitakse katsetega ning võrreldakse algoritmide eeliseid ja puudusi. Otsustatakse puidupõhine klassifikaator, K lähim naaberklassifikaator ja BP neuraalil põhinev klassifikaator. Uuritakse probleemi, et BP närvivõrk on kergesti kohalikku optimaalsesse sattumist. Kujundatakse simuleeritud anniilimisalgoritmil põhinev BP neuruvõrgu klassifikaator. Algne helifunktsioonide komplekt on sisestatud vastavalt nelja tüüpi audioseadmetesse ning kõne ja muusika klassifikatsioon on lõpetatud. Eksperimendid, muusika žanri klassifikatsiooni katsed ja muusikainstrumentide klassifitseerimise katsed. Katsetulemused näitavad, et parema BP klassifikaatori, traditsioonilise BP klassifikaatori, ID-3 otsustuspuu klassifikaatori ja K lähima naaberklassifikaatori abil saadud keskmine klassifitseerimise täpsusmäär on vastavalt 96,15%, 92,86%, 93,60% ja 85,98%. Parandatud BP närvivõrgu klassifikaatorit kasutatakse nelja optimeeritud funktsioonikomplekti liigitamiseks. Katsetulemused näitavad, et täiustatud omaduste koefitsiendi funktsioonide valiku algoritmi abil saadud klassifikatsiooni tulemused on kõnes ja muusikas parimad. Klassifitseerimiskatsete, muusika žanrite klassifikatsioonikatse ja muusikariista klassifikatsioonikatse keskmine klassifitseerimise täpsus oli vastavalt 97,78%, 92,69% ja 98,50%.
Heliekspert on väga lihtne helitööriist. Heli annab kasutajatele helivormingu konverteerimise, heli ühendamise ja muud funktsioonid. See võib ekstraktida kasutaja vajadust salvestada osa arvuti helitekstifailist ja teha seejärel uus helifail. See on kasutajatele hea abimees.
Audioekspertide omadused:
1. Muusika vormingu teisendamine: saate teisendada ükskõik millise MP3, WAV, WMA, AAC, AU, AIF, APE, VOC, FLAC, M4A, OGG ja teiste populaarsete helivormingute vahel.
2. Muusika segmenteerimine: jagage muusikafaili mitmeks väikseks muusikafailiks ja toetage segmenteerimist vastavalt aja pikkusele, suurusele, keskmise jaotuse käsiraamatule ja automaatsele.
3. Muusika pealtkuulamine: eraldage see osa, mis tuleb koguda heli- ja helifailist.
4. Muusika ühendamine: ühendage mitu erinevat või identset muusikaformaadi faili ühte muusikafaili.
5. MP3 helitugevuse reguleerimine: reguleerige MP3-laulude helitugevust ilma helikvaliteedi kadumiseta. Kõigi MP3-laulude helitugevust on võimalik analüüsida ja reguleerida enne muusika plaadi kirjutamist või enne laulu mobiiltelefoni kopeerimist. Laulu kuulamise ajal ei pea te enam mängija helitugevust kohandama.
