基于 EEMD 的异常声音特征提取

• 作者: 乔树山 杨骏 陈志全
• 来源期刊: 计算机与数字工程
• 学科: 工学
• 关键词: 异常声音识别 经验模态分解 特征提取 支持向量机
• 年，卷（期）: 2016,（10）
• 所属期刊栏目: 算法与分析
• 页码范围: 1875-1879,1894
• 页数: 6页
• 分类号: TP311
• 字数: 5106字
• 语种: 中文
• DOI: 10.3969/j.issn.1672-9722.2016.10.002

摘要

针对使用梅尔倒谱系数 MFCC ，LPCC 等传统语音特征时异常声音识别率低的问题，结合到异常声音具有高度非平稳、非线性的特点，提出一种基于总体平均经验模态分解的异常声音特征提取方法。首先对声音进行分帧，对每一帧信号提取模态函数。对不同层模态函数提取包括短时能量，能量比，短时平均过零率，MFCC 等特征，对信号的特征向量分段取均值作为最终的特征。基于这些特征的特征组合，采用支持向量机作为分类模型对七种异常声音进行识别，并测试了不同信噪比条件下识别的效果，结果表明基于 EEMD 的特征相比 MFCC ，LPCC 等特征能有效提高识别率。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	乔树山	中国科学院微电子研究所	53	272	9.0	14.0
2	杨骏	中国科学院微电子研究所	7	39	3.0	6.0
3	陈志全	中国科学院微电子研究所	2	6	2.0	2.0