音頻分割與聚類技術(shù)研究.pdf

1、隨著多媒體和互聯(lián)網(wǎng)技術(shù)的廣泛應(yīng)用和深入普及，多媒體數(shù)據(jù)的數(shù)量正在飛速增長(zhǎng)，音頻數(shù)據(jù)作為多媒體數(shù)據(jù)的重要組成部分，其信息量也在不斷膨脹。如何有效地對(duì)音頻信息進(jìn)行組織和處理成為現(xiàn)代信息處理的一個(gè)研究熱點(diǎn)。
　　 原始音頻數(shù)據(jù)本身僅僅是一種非語義符號(hào)表示和非結(jié)構(gòu)化的二進(jìn)制流，缺乏內(nèi)容語義的描述和結(jié)構(gòu)化組織，給音頻信息的深入處理和分析工作帶來了很大的困難。音頻的分割和聚類，作為提取音頻內(nèi)容語義和結(jié)構(gòu)的重要手段之一，其研究日益引起人們的重

2、視。本文在總結(jié)前人研究成果的基礎(chǔ)上，著重對(duì)音頻特征分析與提取、音頻分割算法以及音頻聚類算法等三方面進(jìn)行了研究。主要工作如下：
　　 首先，利用多分辨分析的優(yōu)勢(shì)，給出了基于小波域的音頻特征。該方法以小波變換為理論基礎(chǔ)，重點(diǎn)分析了基于幀的音頻特征提取和基于例子的音頻特征提取，較好的解決了基于時(shí)域和基于頻域的特征無法描述信號(hào)時(shí)頻局部性質(zhì)的不足。
　　 其次，針對(duì)傳統(tǒng)單一音頻分割算法中存在的冗余分割點(diǎn)過多等問題，設(shè)計(jì)了基于GLR

3、(Generalized Likelihood Ratio)距離的改進(jìn)BIC(BayesianInformation Criterion)音頻分割算法。該方法提出了候選跳變點(diǎn)潛在區(qū)域的判斷準(zhǔn)則，并據(jù)此給出潛在區(qū)域中跳變點(diǎn)的檢測(cè)方法，對(duì)檢測(cè)到的跳變點(diǎn)進(jìn)行校驗(yàn)。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的音頻分割算法相比，該算法的綜合性能大大提高。
　　 最后，提出一種基于Mean Shift的音頻聚類算法，該算法可以避免目前大多數(shù)聚類算法依賴聚類數(shù)目這