Аудіо в основному реалізує наступні функції: А, витягуючи огинаючу аудіо, розуміючи, що обсяг занадто великий, занадто малий, і функція виявлення перехоплення; B, порівнюючи значення енергії до і після розриву звуку, щоб реалізувати функцію виявлення звуку; З, аудіо першого порядку прямого підгонки обробки виконують на величину обсягу на початку і в кінці для отримання нахилу і вертикального зміщення встановленої прямої лінії, так щоб реалізувати функцію виявлення першого кінця затухання. в і ефекту вицвітання; D. Типовий поточний звуковий спектр має яскраві яскраві лінії. Обчислюючи енергію звуку і відповідне значення дисперсії, ця характеристика аналізується для реалізації функції поточного виявлення звуку. Винахід має переваги, що прийнятий спосіб вилучення огинаючої, і точність визначення обсягу додатково покращується; виявлення затухання і виходу добре виконується, і точність висока; метод має хороший ефект виявлення на конкретний поточний звук.
З постійним поліпшенням якості життя сучасних людей, прагнення людей до якості музики стає все більш актуальним. Високоякісні MP3-файли, музичні файли формату без втрат і подібні сайти та програмне забезпечення з високою оцінкою музики також все більше залучаються до повсякденного життя людей. Однак у великій кількості музичних музичних бібліотек якість звуку не є рівномірним, і ручне виявлення якості звуку вимагає величезної кількості робіт і не є стійким. Тому для вирішення цієї проблеми потрібна хороша міра.
Метод виявлення аудіо функцій, ці особливості будуть впливати на слуховий ефект аудиторії в певній мірі, забезпечуючи тим самим певну посилання на штучне виявлення якості звуку. Завдяки цьому методу аудіо функції можуть бути автоматично виявлені, величезне навантаження і ризик ручного виявлення зменшуються, а ефективність виявлення ефективно покращується. У той же час, характеристична помилка виявлення, викликана людськими факторами, може бути зменшена, і точність виявлення додатково забезпечується.
Вилучення звукових функцій, потім аналізує ефективність і надійність цих функцій для розрізнення різних типів звуку з двох аспектів. Нарешті, на основі цих функцій, класифікатор SVM (вектор-машина підтримки) використовується для навчання та тестування на аудіоданих приблизно 5 годин, розділяючи звук на п'ять попередньо визначених категорій: відключення звуку, чиста мова, нечиста мова, музика та навколишнє середовище звуку. Експериментальні результати показують, що використання ефективних звукових можливостей дозволяє класифікувати звукові сцени в різні типи.
