Äänen pääasiassa tajuaa seuraavat toiminnot:, talteen kirjekuori ääni, ymmärtämättä määrä on liian suuri, liian pieni ja siepata tunnistus-toiminto; B vertaamalla energia-arvot ennen ja jälkeen audio tauon ymmärtää äänen tunnistus-toiminto; C, audio ensimmäisen kertaluvun viiva, joka on sopiva käsittely suoritetaan määrä arvon alussa ja lopussa kaltevuus ja pystysuuntainen siirtymä varustettu suorassa linjassa, niin ymmärtää ensimmäinen-end fade-in ja fade-out tunnistus-toiminto vaikutus; D. tyypillinen nykyisen äänispektri on selvä kirkas viiva ominaisuuksia. Laskemalla äänen energia ja vastaava varianssiarvo tämä ominaisuus on analysoitu ymmärtää tehtävä nykyisen äänen tunnistus. Keksintö on etuja, jotka uuttamiseksi kirjekuori menetelmä hyväksytään, ja määrä tunnistustoiminnon tarkkuus on edelleen parantunut; häivytyksen havaitseminen ja ulos hyvin tehdään, ja tarkkuus on korkea. on hyvä havaita vaikutusta tietyn kuulostaa.
Nykyajan ihmiset elämänlaadun jatkuva parantaminen ihmisten harjoittamista musiikin laatu on tulossa entistä kipeämmin. Laadukkaita MP3s, häviötön musiikki ja vastaavat musiikin arvostusta sivustojen ja ohjelmistojen osallistuvat yhä enemmän myös ihmisten jokapäiväistä elämää. Kuitenkin suuri määrä musiikkikirjastosi musiikkia, äänen laatu ei ole yhtenäinen ja eheä avu Manuaalisen tunnistamisen vaatii valtavasti työtä ja ei ole kestävää. Tämä edellyttääkin hyvä keino ongelman ratkaisemiseksi.
Äänen ominaisuus tunnistus menetelmä nämä ominaisuudet vaikuttavat kuulo vaikutus yleisön jossain määrin mikä antaa tiettyjä viittaus äänenlaatu keinotekoinen havaitsemiseksi. Tällä menetelmällä audio-ominaisuuksia voi automaattisesti havaita, valtava työmäärä ja työvoima riski Manuaalisen tunnistamisen vähenevät ja havaitseminen tehokkaasti tehokkuuden. Samaan aikaan ominaisuus epäaito etsivä arvioida ihmisen aiheuttamaa voidaan vähentää ja tunnistustoiminnon tarkkuus taataan edelleen.
Kopiointi audio-ominaisuudet, analysoi, tehokkuutta ja luotettavuutta nämä ominaisuudet erotetaan erilaiset audio kahdesta eri näkökulmasta. Lopuksi näiden ominaisuuksien perusteella tukea vektori kone (SVM) valitsimen avulla juna ja testata audio DataSet noin 5 tuntia jakamalla äänen viisi valmiiksi määritetyt luokat: mykistää, puhdas puhe, epäpuhdas puhe, musiikki ja ympäristön ääntä. Koetulokset osoittavat, että tehokas audio-ominaisuuksia avulla on mahdollista luokitella audio kohtauksia eri.
