[发明专利]耳机SVM机器学习自适应调节方法

说明书

本发明公开了耳机SVM机器学习自适应调节方法，具体的说是利用SVM自适应学习模型，对音频的耳机音频数据样本进行分析，得出音频频率及音量方法的流程。包括音频类型模式识别层和耳机音频数据自适应输出层；音频类型模式识别层，包括完成音频模式识别的支持向量机分类算法；耳机音频数据自适应输出层，包括至少两个以上的的SVM自适应学习模型，SVM自适应学习模型完成耳机音频数据的自适应调整。利用SVM结构风险最小化准则和核函数映射解决音频数据样本特征吸收谱线重叠严重的问题；利用SVM处理小样本的特性和泛化能力解决海量音频标定数据样本无法实现难题。

技术领域

本发明涉及一种耳机自适应调节频率及音量的机器学习方法,具体是利用支持向量机模型，利用已采集的耳机音频数据样本，对支持向量机模型进行机器学习训练和测试，学习训练后的模型可用于实际的耳机自适应频率及音量调节，以期使耳机得到最佳的音频效果。

背景技术

耳机自适应调节频率及音量的方法与相应的模型、机器学习理论与方法密切相关。传统的耳机自适应调节频率及音量的方法主要有噪声自适应、环境自适应、音量自适应、频率调整等。上述的方法，需要耳机使用者进行人工设置，对于熟悉、了解的音频比较有效；由于耳机播放的音频具有随机性，频率及音量变化幅度大的音频，例如摇滚音乐等，上述方法不能有效的进行自适应调节。

发明内容

本发明的目的在于提供一种采用层次式的SVM自适应学习模型结构，使得耳机SVM机器学习自适应调节方法具有分析方法简单、节省时间、使用方便等特点。

由于耳机所播放的音频具有随机性，对于频率及音量变化幅度大的音频，需要人工调节，耳机无法自适应调节，无法获得最佳的音频效果。针对这一难题，本发明的技术内容如下：将SVM模型应用于耳机音频自适应调节方法中，本发明突出的实质性特点和显著的进步在于所述的耳机SVM机器学习自适应调节方法包括一个音频类型模式识别层和一个耳机音频数据自适应输出层；

所述音频类型模式识别层，包括耳机音频数据样本和完成音频模式识别计算的支持向量机分类算法；

所述耳机音频数据自适应输出层，包括至少两个以上的的SVM自适应学习模型，由SVM自适应学习模型完成耳机音频数据的自适应调整。

本发明与现有的耳机音频调节方法相比，所用的SVM自适应学习模型具有结构简单、自适应能力强、节省时间、使用方便的特点。

附图说明

图1为本发明结构原理示意图；

图2为耳机音频数据样本波形图。

具体实施方式

附图为本发明的其中一个实施例。

下面结合附图和实施例，对本发明内容作进一步的详细说明，但本发明不限于这个实例。

图1所示，耳机SVM机器学习自适应调节方法，所述的方法包括一个音频类型模式识别层和一个耳机音频数据自适应输出层；

所述音频类型模式识别层，包括耳机音频数据样本和完成音频模式识别的支持向量机分类算法；

所述耳机音频数据自适应输出层，包括至少两个以上的的SVM自适应学习模型，SVM自适应学习模型完成耳机音频数据的自适应调整。

所述音频类型模式识别层对输入的耳机音频数据样本进行音频模式识别。

耳机音频数据自适应输出层根据该耳机音频数据样本所属的音频类型，分配给相应的SVM自适应学习模型，SVM自适应学习模型完成耳机音频数据的自适应调整。

音频类型模式识别层由支持向量机分类算法完成音频类型的识别，支持向量机分类算法为目前已经公开的使用支持向量机能完成分类的算法。输入为耳机音频数据样本，输出为该耳机音频数据样本所属的音频类型。