通过对语音数据进行特征提取，运用SVM识别算法，实现语音信号的6种情感的识别。
语料库选自CASIA汉语情感语料库，特征集选取基因频率、时长、共振峰、MFCC等。
语料库选自CASIA汉语情感语料库，特征集选取基因频率、时长、共振峰、MFCC等。
2023/8/19 1:03:27
215.47MB
1
声纹识别技术，形象的说法就是说话人识别技术。
它是根据人在说话时产生的波形，以及波形中反映人类心理和生理的特征参数来判断说话人的身份的技术。
本文所研究的是与文本有关的说话人确认系统。
比较了基于声道的线性预测倒谱系数(LPCC)和基于听觉特性的MEL频率倒谱系数(MFCC)参数特征，得出MFCC对环境存在更高的鲁棒性。
并运用了隐形马尔可夫模型(HMM)在MATLAB上实现了语音数字的识别仿真。
本实验系统的识别率达到了90%，验证了HMM模型识别的准确性。
它是根据人在说话时产生的波形，以及波形中反映人类心理和生理的特征参数来判断说话人的身份的技术。
本文所研究的是与文本有关的说话人确认系统。
比较了基于声道的线性预测倒谱系数(LPCC)和基于听觉特性的MEL频率倒谱系数(MFCC)参数特征，得出MFCC对环境存在更高的鲁棒性。
并运用了隐形马尔可夫模型(HMM)在MATLAB上实现了语音数字的识别仿真。
本实验系统的识别率达到了90%，验证了HMM模型识别的准确性。
2023/8/10 15:50:09
1.61MB
1
基于语音的性别识别基于语音的性别识别，使用：免费的ST美国英语语料库数据集（SLR45）梅尔频率倒谱系数（MFCC）高斯混合模型（GMM）数据集可以在上找到免费的ST美国英语语料库数据集（SLR45）。
它是提供的免费的美国英语语料库，其中包含10位说话者（5位女性和5位男性）的讲话。
每个说话者大约有350种话语。
理论语音特征提取此处使用梅尔频率倒谱系数（MFCC），因为它们可在说话者验证中提供最佳结果。
MFCC通常如下得出：进行信号（窗口摘要）的傅立叶变换。
使用三角形重叠窗口，将以上获得的光谱的功率映射到mel刻度上。
记录每个梅尔频率下的功率对数。
它是提供的免费的美国英语语料库，其中包含10位说话者（5位女性和5位男性）的讲话。
每个说话者大约有350种话语。
理论语音特征提取此处使用梅尔频率倒谱系数（MFCC），因为它们可在说话者验证中提供最佳结果。
MFCC通常如下得出：进行信号（窗口摘要）的傅立叶变换。
使用三角形重叠窗口，将以上获得的光谱的功率映射到mel刻度上。
记录每个梅尔频率下的功率对数。
2023/5/29 20:06:48
18.1MB
1
这个是我参照网上的一些代码写的，可以训练和识别，但是没有做预处理，所以录音时要注意不要出现没声音的片段，识别率不是很高，可以做一下参考！code=train('train\',4)%训练test('test\',8,code)%识别
2023/5/16 21:46:46
2.37MB
1
经由matlab法度圭表标准完针言音的LPCC、MFCC以及CQCC及PLP特色提取，相关实际可参考https://blog.csdn.net/weixin_42846157/article/details/105016894。
主函数main是一次性轮回提取文件夹中齐全文件的四个特色，能够依据需要举行变更，已经运行，不下场。
（有下场能够留言大概私信，有功夫会解答滴）
主函数main是一次性轮回提取文件夹中齐全文件的四个特色，能够依据需要举行变更，已经运行，不下场。
（有下场能够留言大概私信，有功夫会解答滴）
2023/4/21 7:49:08
50KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB