基于MFCC和短时能量混合的异常声音识别算法

计算机应用 ›› 2010, Vol. 30 ›› Issue (3): 796-798.

基于MFCC和短时能量混合的异常声音识别算法

吕霄云¹,王宏霞²

1. 西南交通大学
2. 西南交通大学信息科学与技术学院

收稿日期:2009-09-01 修回日期:2009-11-09 发布日期:2010-03-14 出版日期:2010-03-01
通讯作者: 吕霄云
基金资助:
国家自然科学基金资助项目

Abnormal audio recognition algorithm based on MFCC and short-term energy

Received:2009-09-01 Revised:2009-11-09 Online:2010-03-14 Published:2010-03-01
Supported by:
National Natural Science Foundation of China

摘要/Abstract

摘要： 针对现行异常声音识别算法复杂度高和特征识别率低的问题，将梅尔频率倒谱系数（MFCC）与短时能量混合特征应用到异常声音识别系统中。该混合特征使得高斯混合模型（GMM）分类器可获得比使用MFCC特征及其差分MFCC更好的分类性能。给出了系统实现的具体步骤，并通过仿真实验证明了该算法的有效性,分类器的平均识别率可达到90%以上，并且计算复杂度小。

关键词: 异常声音识别, 梅尔倒谱系数, 短时能量, 高斯混合模型

Abstract: Concerning the high complexity and low rate in abnormal audio recognition, the abnormal audio recognition system based on the Mel-Frequency Cepstrum Coefficients (MFCC) and short-term energy was proposed. This feature vector made the Gaussian Mixture Model (GMM) classifier outperform MFCC and Differential MFCC features in classification. The classifier can achieve an average recognition rate of more than 90%, and small computational complexity. The steps of system implementation were elaborated. The simulation results prove the effectiveness of the proposed algorithm.

Key words: abnormal audio recognition, Mel-Frequency Cepstrum Coefficient (MFCC), short-term energy, Gaussian Mixture Model (GMM)

吕霄云王宏霞. 基于MFCC和短时能量混合的异常声音识别算法[J]. 计算机应用, 2010, 30(3): 796-798.

[1]	常峥, 罗萍, 杨波, 张晓晓. 基于HHT-MFCC和短时能量的慢性阻塞性肺病患者呼吸声识别[J]. 计算机应用, 2021, 41(2): 598-603.
[2]	杨磊, 赵红东. 基于轻量级深度神经网络的环境声音识别[J]. 计算机应用, 2020, 40(11): 3172-3177.
[3]	陈聿, 田博今, 彭云竹, 廖勇. 联合手肘法和期望最大化的高斯混合聚类电力系统客户分群算法[J]. 计算机应用, 2020, 40(11): 3217-3223.
[4]	牛晓可, 黄伊鑫, 徐华兴, 蒋震阳. 基于听皮层神经元感受野的强噪声环境下说话人识别[J]. 计算机应用, 2020, 40(10): 3034-3040.
[5]	彭磊, 杨秀云, 张裕飞, 李光耀. 基于全局与局部相似性测度的非刚性点集配准[J]. 计算机应用, 2019, 39(10): 3028-3033.
[6]	林朗, 王让定, 严迪群, 李璨. 基于修正倒谱特征的回放语音检测算法[J]. 计算机应用, 2018, 38(6): 1648-1652.
[7]	喻新荣, 李志华, 闫成雨, 李双俐. 云数据中心高效的虚拟机整合方法[J]. 计算机应用, 2018, 38(2): 550-556.
[8]	陶志勇, 刘晓芳, 王和章. 融合密度峰值的高斯混合模型聚类算法[J]. 计算机应用, 2018, 38(12): 3433-3437.
[9]	陈文兵, 管正雄, 陈允杰. 基于条件生成式对抗网络的数据增强方法[J]. 计算机应用, 2018, 38(11): 3305-3311.
[10]	陈艳, 严腾, 宋俊芳, 宋焕生. 基于高斯混合模型和AdaBoost的夜间车辆检测[J]. 计算机应用, 2018, 38(1): 260-263.
[11]	黄亮, 潘平, 周超. 基于量子隧穿效应的说话人真伪鉴别方法[J]. 计算机应用, 2017, 37(9): 2617-2620.
[12]	李俊山, 杨亚威, 朱子江, 张姣. 基于自然图像块相似性和稀疏先验性的图像复原[J]. 计算机应用, 2017, 37(8): 2319-2323.
[13]	刘晙, 袁培燕, 李永锋. 基于完整可见性模型的改进鲁棒OctoMap[J]. 计算机应用, 2017, 37(5): 1445-1450.
[14]	张海艳, 高尚兵. 图像分割中改进空间约束贝叶斯网络模型的应用[J]. 计算机应用, 2017, 37(3): 823-826.
[15]	皮艾迪, 喻剑, 周笑波. 基于学习的容器环境Spark性能监控与分析[J]. 计算机应用, 2017, 37(12): 3586-3591.