Audio terutamanya menyedari fungsi-fungsi berikut: A, mengekstrak sampul surat audio, menyedari jumlah ini terlalu besar, terlalu kecil dan fungsi pengesanan memintas; B, membandingkan nilai tenaga sebelum dan selepas cuti audio, untuk merealisasikan fungsi pengesanan Bunyi; C, audio pertama perintah lurus garisan pemasangan pemprosesan dilakukan atas nilai isipadu pada permulaan dan akhir untuk mendapatkan cerun dan mengimbangi menegak garisan lurus dilengkapi, agar dapat merealisasikan fungsi pengesanan pertama-end fade-in dan fade-out kesan; Spektrum bunyi semasa d. biasa mempunyai ciri-ciri garisan yang terang jelas. Dengan pengiraan tenaga audio dan nilai varians yang sepadan, ciri-ciri ini dianalisis untuk merealisasikan fungsi pengesanan bunyi semasa. Ciptaan itu mempunyai kelebihan yang kaedah untuk mengekstrak sampul surat diterima pakai, dan ketepatan pengesanan kelantangan dipertingkatkan lagi; pengesanan pudar dan keluar juga dilakukan, dan ketepatan yang tinggi; Kaedah mempunyai kesan baik pengesanan pada bunyi semasa tertentu.
Dengan penambahbaikan berterusan kualiti kehidupan moden orang, orang mengejar kualiti muzik menjadi semakin mendesak. MP3 berkualiti tinggi, lossless format muzik, dan sebagainya, perisian dan Laman penghargaan muzik juga semakin terlibat dalam kehidupan harian rakyat. Walau bagaimanapun, dalam sebilangan besar Perpustakaan muzik muzik, kualiti audio yang tidak seragam, dan memerlukan sejumlah besar kerja-kerja pengesanan manual kualiti bunyi dan tidak mampan. Oleh yang demikian, ini memerlukan satu ukuran yang baik untuk menyelesaikan masalah ini.
Kaedah pengesanan ciri audio, ciri-ciri ini akan mempengaruhi kesan Auditori penonton sehingga ke tahap tertentu, sekali gus memberikan rujukan tertentu untuk pengesanan tiruan kualiti bunyi. Melalui kaedah ini, ciri-ciri audio boleh dikesan secara automatik, beban kerja yang besar dan tenaga kerja risiko manual pengesanan yang berkurangan, dan kecekapan pengesanan dengan berkesan bertambah sihat. Pada masa yang sama, kadar pengesanan palsu ciri-ciri yang disebabkan oleh faktor manusia boleh dikurangkan, dan ketepatan pengesanan dapat dipastikan lagi.
Pengekstrakan ciri-ciri audio, kemudian menganalisis keberkesanan dan keteguhan ciri-ciri ini membezakan jenis audio yang berbeza dari dua aspek. Akhir sekali, berdasarkan ciri-ciri ini, Pengelas Mesin (SVM) vektor sokongan yang digunakan untuk melatih dan menguji pada dataset audio untuk kira-kira 5 jam, audio yang membahagikan kepada lima kategori yang telah ditetapkan: membisukan, pertuturan yang tulen, jahat pertuturan, muzik dan bunyi ambien. Keputusan eksperimen menunjukkan bahawa menggunakan ciri-ciri audio yang berkesan, ia adalah mungkin untuk mengelaskan adegan audio ke dalam pelbagai jenis.




