[发明专利]一种基于经验模态分解的音频识别方法及系统

权利要求书

1.一种基于经验模态分解的音频识别方法，其特征在于，包括步骤：

A、输入原始音频信号，对所述原始音频信号进行采样，然后依次进行去噪预处理、加汉明窗以及傅氏变换处理得到频谱数据，再依次连接每帧的频谱数据，获得声谱图；

B、获得所述声谱图各频率段的能量最大值所在点，并依次连接各频率段的能量最大值所在点生成时间-频率曲线；

C、将所述生成的时间-频率曲线进行经验模态分解，获得多个本征模函数；

D、通过获得的多个本征模函数结合相应的频率段以及时间帧，生成用于表征原始音频信号的多个特征值，并输出；

所述步骤D具体包括：

D1、对每一个本征模函数等间隔取样，获得一组相应的取样序列；

D2、在所述取样序列后追加所处的频率段序号；

D3、对追加后的取样序列进行处理获得一个哈希值；

D4、通过N组本征模函数获得N个哈希值，共同组成一组特征值。

2.根据权利要求1所述的基于经验模态分解的音频识别方法，其特征在于，所述步骤D之后还包括：

E、根据所述特征值获取时间偏移差的分布和数量，以表征原始音频信号。

3.根据权利要求2所述的基于经验模态分解的音频识别方法，其特征在于，所述步骤E具体包括：

E1、通过所述特征值在一数据库中进行搜索，获得与所述特征值相匹配的若干其他特征值所处的时间偏移构成的时间偏移组；

E2、将所述时间偏移组中各时间偏移与所述特征值所处的时间偏移分别求得时间偏移差，再通过这些时间偏移差的分布和数量，确定需识别的目标音频。

4.根据权利要求1所述的基于经验模态分解的音频识别方法，其特征在于，所述步骤D3中，对追加后的取样序列通过sha1哈希算法或Murmur哈希算法处理获得一个哈希值。

5.一种基于经验模态分解的音频识别系统，其特征在于，包括：

声谱图获取模块，用于输入原始音频信号，对所述原始音频信号进行采样，然后依次进行去噪预处理、加汉明窗以及傅氏变换处理得到频谱数据，再依次连接每帧的频谱数据，获得声谱图；

时间-频率曲线生成模块，用于获得所述声谱图各频率段的能量最大值所在点，并依次连接各频率段的能量最大值所在点生成时间-频率曲线；

经验模态分解模块，用于将所述生成的时间-频率曲线进行经验模态分解，获得多个本征模函数；

特征值输出模块，用于通过获得的多个本征模函数结合相应的频率段以及时间帧，生成用于表征原始音频信号的多个特征值，并输出；

所述特征值输出模块具体包括：

取样单元，用于对每一个本征模函数等间隔取样，获得一组相应的取样序列；

追加单元，用于在所述取样序列后追加所处的频率段序号；

哈希处理单元，用于对追加后的取样序列进行处理获得一个哈希值；

向量组成单元，用于通过N组本征模函数获得N个哈希值，共同组成一组特征值。

6.根据权利要求5所述的基于经验模态分解的音频识别系统，其特征在于，还包括：

分布数量获取模块，用于根据所述特征值获取时间偏移差的分布和数量，以表征原始音频信号。

7.根据权利要求6所述的基于经验模态分解的音频识别系统，其特征在于，所述分布数量获取模块具体包括：

时间偏移组获取单元，用于通过所述特征值在数据库中进行搜索，获得与所述特征值相匹配的若干其他特征值所处的时间偏移构成的时间偏移组；

时间偏移差计算单元，用于将所述时间偏移组中各时间偏移与所述特征值所处的时间偏移分别求得时间偏移差，再通过这些时间偏移差的分布和数量，确定需识别的目标音频。

8.根据权利要求5所述的基于经验模态分解的音频识别系统，其特征在于，所述哈希处理单元中，对追加后的取样序列通过sha1哈希算法或Murmur哈希算法处理获得一个哈希值。