一種基于模式識(shí)別Hi-Fi音質(zhì)檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及音頻信號(hào)處理和，具體涉及一種基于模式識(shí)別Hi-Fi音質(zhì)檢測(cè)方法。
【背景技術(shù)】
[0002] Hi-Fi音頻指的是原版CD音頻，這類(lèi)音頻由各大唱片公司等制作，采用專業(yè)的錄 音及混響設(shè)備，對(duì)原始聲音信息采樣量化，而且沒(méi)有經(jīng)過(guò)頻譜裁剪，所以保留了原始各個(gè)頻 段的信息。
[0003] 伴隨著網(wǎng)絡(luò)的快速普及以及帶寬的增加，人們對(duì)于音樂(lè)質(zhì)量的要求也越來(lái)越高， 無(wú)損音樂(lè)資源的交流也從音樂(lè)發(fā)燒友間向普通大眾過(guò)渡。但如何鑒別這類(lèi)資源的真?zhèn)?，?樂(lè)愛(ài)好者和音樂(lè)類(lèi)公司都有著迫切的需要。通過(guò)人工檢測(cè)雖然有較高的準(zhǔn)確率，但僅僅適 用于個(gè)人，對(duì)于音樂(lè)類(lèi)公司千萬(wàn)級(jí)數(shù)量的曲庫(kù)來(lái)說(shuō)，無(wú)法簡(jiǎn)單的通過(guò)人工檢測(cè)來(lái)過(guò)濾曲庫(kù)。
[0004] 采用計(jì)算機(jī)檢測(cè)的方法，目前應(yīng)用的較多的是通過(guò)劃分頻率的方法。其步驟包括， 將時(shí)域音頻信息通過(guò)傅里葉變換轉(zhuǎn)換為頻域，對(duì)于大多數(shù)采樣率為44100的音頻來(lái)說(shuō)，轉(zhuǎn) 換成頻域后所能表示的最大頻率為22050Hz。然后通過(guò)分析某個(gè)截止頻率以上頻率信息的 缺少情況來(lái)判別音頻的質(zhì)量。例如，某些壓縮算法，為了減小音頻的體積，將原始音頻通過(guò) 該算法壓縮后，高頻信息是有缺失的。上述方法既是基于以上原理，通過(guò)劃分截止頻率的方 法來(lái)判別音頻質(zhì)量，將高頻信息缺失到一定程度的音頻判定為假無(wú)損。
[0005] 上述方法能在一定程度上解決無(wú)損音頻質(zhì)量檢測(cè)的問(wèn)題，但有兩個(gè)較大的不足。
[0006] 本發(fā)明是基于貝葉斯網(wǎng)絡(luò)的分類(lèi)方法，下面介紹貝葉斯網(wǎng)絡(luò)的相關(guān)技術(shù)背景。
[0007] 貝葉斯學(xué)派奠基性的工作是貝葉斯的論文"過(guò)于幾率性問(wèn)題求解的評(píng)論"完成的。 著名數(shù)學(xué)家拉普拉斯利用貝葉斯的方法導(dǎo)出了重要的相繼律，從此，貝葉斯的方法和理論 逐漸被人理解和重視起來(lái)。二戰(zhàn)期間，瓦爾德提出了統(tǒng)計(jì)的決策理論，該理論中，貝葉斯占 有重要的地位。80年代以后，由于人工智能尤其是機(jī)器學(xué)習(xí)的發(fā)展和數(shù)據(jù)挖掘的興起，貝葉 斯理論得到了越來(lái)越寬廣的發(fā)展和應(yīng)用。
[0008] 貝葉斯網(wǎng)絡(luò)，又稱置信網(wǎng)絡(luò)（beliefnetwork)或概率有向無(wú)環(huán)圖模型 (probabilisticdirectedacyclicgraphicalmodel)，是貝葉斯方法與圖形理論的有機(jī) 結(jié)合。從 1988 年由Pearl【Probabilisticreasoninginintelligentsystems:networks ofplausibleinference】提出后，已經(jīng)成為近幾年來(lái)研究的熱點(diǎn)。Jensen將貝葉斯網(wǎng) 絡(luò)定義為一種可以表達(dá)一組隨機(jī)變量之間概率關(guān)系的概率模型圖【Nielsen.Bayesian networksanddecisiongraphs】。它通過(guò)有向無(wú)環(huán)圖（DAG)來(lái)表達(dá)一組隨機(jī)變量和其 條件依賴，是樸素貝葉斯方法的擴(kuò)展，可以表達(dá)和分析多源信息，進(jìn)而處理不確定性問(wèn)題 [Complexsystemssimulationforriskassessmentinfloodincidentmanagement] [InfluencesofvariablesonshipcollisionprobabilityinaBayesianbelief networkmodel】，是目前不確定知識(shí)表達(dá)和推理領(lǐng)域最有效的理論模型之一。Cooper【A simpleconstrain-basedalgorithmforefficientlyminingobservationaldatabases forcausalrelationships】在1997年提出來(lái)一種簡(jiǎn)單易行的因果關(guān)系挖掘算法，該算法 利用貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的性質(zhì)，對(duì)數(shù)據(jù)集進(jìn)行搜索并找出滿足條件的因果關(guān)系。Silverstein 【Scalabletechniquesforminingcausalstructures】在 1998 年嘗試了大型事件數(shù)據(jù) 庫(kù)的挖掘。通常，貝葉斯網(wǎng)絡(luò)是個(gè)有向無(wú)環(huán)圖，圖中的節(jié)點(diǎn)代表可觀測(cè)量、潛在變量或者未 知變量等。圖中的邊代表了條件依賴，用條件概率進(jìn)行表達(dá)關(guān)系強(qiáng)度，沒(méi)有邊相連的節(jié)點(diǎn)表 明它是獨(dú)立的。貝葉斯網(wǎng)絡(luò)用于表達(dá)和分析不確定性和概率性的事件，應(yīng)用于有條件地依 賴多種控制因素的決策，可以從不完全、不精確或不確定的知識(shí)或信息中做出推理。其數(shù)學(xué) 定義如下：
[0009] 給定一個(gè)隨機(jī)變量集合X=(X1,X2,...，XJ，X1表示Xi的取值。表達(dá)式p(X1= X1,X2=x2,. . .，Xn=xn)表示一個(gè)聯(lián)合概率，也就是當(dāng)X1,X2,. ?.，父"的值分別為X1,X2, . ? .，Xn 時(shí)的概率。其中，聯(lián)合概率的一般形式為：
[0011] 貝葉斯網(wǎng)絡(luò)的引用方面，主要有以下三類(lèi)應(yīng)用。
[0012] 一是通過(guò)貝葉斯網(wǎng)絡(luò)進(jìn)行分類(lèi)和回歸分析。
[0013] 貝葉斯網(wǎng)絡(luò)具有不完全數(shù)據(jù)處理、因果關(guān)系學(xué)習(xí)等能力，具有良好的預(yù)測(cè)能力。實(shí) 踐結(jié)果表明，貝葉斯網(wǎng)絡(luò)可以用于分析具有高維高噪性和非線性相關(guān)關(guān)系的參數(shù)變量分析 問(wèn)題中，有助于提高這類(lèi)數(shù)據(jù)的分析效率。文獻(xiàn)【基于類(lèi)約束的貝葉斯網(wǎng)絡(luò)分類(lèi)學(xué)習(xí)】中提 至IJ，貝葉斯網(wǎng)絡(luò)分類(lèi)器與聯(lián)合分類(lèi)器具有相同的分類(lèi)能力，由于具有概率推斷能力，根據(jù)條 件獨(dú)立性能夠有效地降低維度，顯著提高學(xué)習(xí)效率。實(shí)現(xiàn)貝葉斯網(wǎng)絡(luò)分類(lèi)器的核心是貝葉 斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)。

【發(fā)明內(nèi)容】

[0014] 本發(fā)明的目的在于針對(duì)上述不足提供一種快速準(zhǔn)確的判斷Hi-Fi無(wú)損音頻的方 法。
[0015] 本發(fā)明的技術(shù)方案如下：
[0016] -種基于模式識(shí)別Hi-Fi音質(zhì)檢測(cè)方法，其特征在于包含如下步驟：
[0017] 1)選取采樣率為44100HZ的無(wú)損音頻和有損音頻，對(duì)無(wú)損音頻和有損音頻進(jìn)行區(qū) 別標(biāo)記，
[0018] 2)將標(biāo)記后的音頻進(jìn)行傅里葉變換，將時(shí)域信號(hào)轉(zhuǎn)換成頻域信號(hào)，
[0019]3)從頻率11050Hz到22050Hz每隔500Hz的頻率衰減均值作為一個(gè)頻率特征， 總共22個(gè)特征，依次從1到22對(duì)其編號(hào)，即i= 1，2, 3. ..，22 ;
[0020] 設(shè)無(wú)損音頻由R。表示，有損音頻由R1表示，考慮相鄰兩個(gè)特征間的關(guān)系，對(duì)于無(wú) 損音頻，特征間的關(guān)系可由（?IR。)，（a21ai，R。)，. . .，（a221a21，R。）表示，可以分別得到其條件 概率p(aiIR。），p(a21a1;R。），? ? ?，p(a221a21，R。），對(duì)應(yīng)于有損音頻的特征Ca11R1)，（a21a1;R1)，? ..，（a221a21,R1)，可分別得到其條件概率p(a:IR1)，p(a21a:,R1)，. ..，p(a221a21,R1)，訓(xùn)練貝葉 斯網(wǎng)絡(luò)分類(lèi)器；
[0021] 4)對(duì)待測(cè)音頻進(jìn)行傅里葉變換，將時(shí)域信號(hào)轉(zhuǎn)換成頻域信號(hào)，
[0022]5)按步驟3)的方法提取頻率特征并計(jì)算取頻率特征分別屬于無(wú)損音頻和有損音 頻的條件概率，進(jìn)而得到分別屬于無(wú)損音頻和有損音頻的聯(lián)合概率，即可判別出待測(cè)音頻 屬于無(wú)損音頻或是有損音頻。
[0023] -般的，為保證本方法的精度，所述的步驟1)中無(wú)損音頻和有損音頻的數(shù)量均要 求大于100首，且所選取的樣品越多，本發(fā)明方法的精度越高。
[0024] 對(duì)于有損和無(wú)損，其在頻率上的特征差別主要體現(xiàn)在16000Hz以上的高頻部分， 無(wú)損音頻的高頻衰減較為自然和緩慢，有損音樂(lè)的高頻信息衰減的急速，所以可以通過(guò)高 頻部分的特征來(lái)判別無(wú)損音頻。
[0025] 對(duì)于整體能量就小的舒緩型音頻來(lái)說(shuō)，其整體頻率衰減較大，不僅僅體現(xiàn)在高頻 部分，也包括中頻，所以本方法將特征擴(kuò)展到11050Hz開(kāi)始的高頻部分，這樣可以一定程度 上避免對(duì)無(wú)損舒緩型音頻的判別誤差。綜上所述，本方法選取了從11050Hz到22050Hz每隔 500Hz的頻率衰減均值作為一個(gè)特征，總共22個(gè)特征，編號(hào)分別從1到22。本發(fā)明提出的 算法對(duì)于真無(wú)損音頻具有很高的檢測(cè)成功率，同時(shí)保證對(duì)于假無(wú)損有比較低的誤判率。并 從與auCDtect的對(duì)比中可以看出，本發(fā)明提出的方法能達(dá)到業(yè)界較為先進(jìn)的水品。
【附圖說(shuō)明】
[0026] 圖1是貝葉斯網(wǎng)絡(luò)訓(xùn)練分類(lèi)流程圖
[0027] 圖2是普通無(wú)損音頻頻譜；
[0028] 圖3是舒緩無(wú)損首頻頻譜；
[0029] 圖4是有損音頻頻譜；
[0030] 圖5是音頻時(shí)域波形；
[0031] 圖6是標(biāo)記了特征選取方法的頻率特征圖；
[0032] 圖7是基于貝葉斯網(wǎng)絡(luò)的特征和音頻質(zhì)量的關(guān)系圖；
【具體實(shí)施方式】
[0033] 下面結(jié)合附圖進(jìn)一步說(shuō)明本發(fā)明。應(yīng)當(dāng)理解，以下實(shí)例僅用于說(shuō)明本發(fā)明，而不能 作為本發(fā)明的限制，在不背離本發(fā)明精神和實(shí)質(zhì)的前提下，進(jìn)行的修改或替換，均屬于本發(fā) 明的范圍。
[0034] 如圖1所示，為本發(fā)明的流程圖，由于選取的音樂(lè)采樣率均為44100HZ，所以最大 頻率均為22050HZ。圖2為一首普通的Hi-Fi無(wú)損流行歌曲的頻譜，從圖中可以看出