基于线性判别分析的时频域特征提取算法

TN912; 针对复杂环境中的声目标特征提取与选择问题,结合声信号时频域的特点,提出了一种时频域相结合的特征提取方法.首先,对信号进行小波分解,达到去噪目的;然后,将短时能量、短时平均幅值、过零率及频带能量值作为原始特征矢量,并结合Fisher判别准则进行特征选择,以此构造低维特征向量;最后,对两类声目标的实测样本数据进行特征提取,并采用支持向量机和K近邻两种分类器对该特征提取方法的有效性进行校验.实验结果表明,采用“时域+频域+线性判别分析”的特征提取方法简单有效,且与单一时域或频域的特征提取方法相比,识别率更高....

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 41; no. 10; pp. 2184 - 2190
Main Authors 刘立芳, 杨海霞, 齐小刚
Format Journal Article
LanguageChinese
Published 西安电子科技大学计算机科学与技术学院,陕西西安,710071%西安电子科技大学数学与统计学院,陕西西安,710071 01.10.2019
Subjects
支持向量机
特征提取
小波分解
K近邻
线性判别分析
Online AccessGet full text
ISSN1001-506X
DOI10.3969/j.issn.1001-506X.2019.10.05

Cover

More Information
Summary:TN912; 针对复杂环境中的声目标特征提取与选择问题,结合声信号时频域的特点,提出了一种时频域相结合的特征提取方法.首先,对信号进行小波分解,达到去噪目的;然后,将短时能量、短时平均幅值、过零率及频带能量值作为原始特征矢量,并结合Fisher判别准则进行特征选择,以此构造低维特征向量;最后,对两类声目标的实测样本数据进行特征提取,并采用支持向量机和K近邻两种分类器对该特征提取方法的有效性进行校验.实验结果表明,采用“时域+频域+线性判别分析”的特征提取方法简单有效,且与单一时域或频域的特征提取方法相比,识别率更高.
ISSN:1001-506X
DOI:10.3969/j.issn.1001-506X.2019.10.05