[发明专利]一种基于模式识别Hi-Fi音质检测方法

说明书

技术领域

本发明涉及音频信号处理和，具体涉及一种基于模式识别Hi‐Fi音质检测方法。

背景技术

Hi-Fi音频指的是原版CD音频，这类音频由各大唱片公司等制作，采用专业的录音及混响设备，对原始声音信息采样量化，而且没有经过频谱裁剪，所以保留了原始各个频段的信息。

伴随着网络的快速普及以及带宽的增加，人们对于音乐质量的要求也越来越高，无损音乐资源的交流也从音乐发烧友间向普通大众过渡。但如何鉴别这类资源的真伪，音乐爱好者和音乐类公司都有着迫切的需要。通过人工检测虽然有较高的准确率，但仅仅适用于个人，对于音乐类公司千万级数量的曲库来说，无法简单的通过人工检测来过滤曲库。

采用计算机检测的方法，目前应用的较多的是通过划分频率的方法。其步骤包括，将时域音频信息通过傅里叶变换转换为频域，对于大多数采样率为44100的音频来说，转换成频域后所能表示的最大频率为22050Hz。然后通过分析某个截止频率以上频率信息的缺少情况来判别音频的质量。例如，某些压缩算法，为了减小音频的体积，将原始音频通过该算法压缩后，高频信息是有缺失的。上述方法既是基于以上原理，通过划分截止频率的方法来判别音频质量，将高频信息缺失到一定程度的音频判定为假无损。

上述方法能在一定程度上解决无损音频质量检测的问题，但有两个较大的不足。

本发明是基于贝叶斯网络的分类方法，下面介绍贝叶斯网络的相关技术背景。

贝叶斯学派奠基性的工作是贝叶斯的论文“过于几率性问题求解的评论”完成的。著名数学家拉普拉斯利用贝叶斯的方法导出了重要的相继律，从此，贝叶斯的方法和理论逐渐被人理解和重视起来。二战期间，瓦尔德提出了统计的决策理论，该理论中，贝叶斯占有重要的地位。80年代以后，由于人工智能尤其是机器学习的发展和数据挖掘的兴起，贝叶斯理论得到了越来越宽广的发展和应用。

贝叶斯网络，又称置信网络(beliefnetwork)或概率有向无环图模型(probabilisticdirectedacyclicgraphicalmodel)，是贝叶斯方法与图形理论的有机结合。从1988年由Pearl【Probabilisticreasoninginintelligentsystems:networksofplausibleinference】提出后，已经成为近几年来研究的热点。Jensen将贝叶斯网络定义为一种可以表达一组随机变量之间概率关系的概率模型图【Nielsen.Bayesiannetworksanddecisiongraphs】。它通过有向无环图(DAG)来表达一组随机变量和其条件依赖，是朴素贝叶斯方法的扩展，可以表达和分析多源信息，进而处理不确定性问题【Complexsystemssimulationforriskassessmentinfloodincidentmanagement】【InfluencesofvariablesonshipcollisionprobabilityinaBayesianbeliefnetworkmodel】，是目前不确定知识表达和推理领域最有效的理论模型之一。Cooper【Asimpleconstrain-basedalgorithmforefficientlyminingobservationaldatabasesforcausalrelationships】在1997年提出来一种简单易行的因果关系挖掘算法，该算法利用贝叶斯网络结构的性质，对数据集进行搜索并找出满足条件的因果关系。Silverstein【Scalabletechniquesforminingcausalstructures】在1998年尝试了大型事件数据库的挖掘。通常，贝叶斯网络是个有向无环图，图中的节点代表可观测量、潜在变量或者未知变量等。图中的边代表了条件依赖，用条件概率进行表达关系强度，没有边相连的节点表明它是独立的。贝叶斯网络用于表达和分析不确定性和概率性的事件，应用于有条件地依赖多种控制因素的决策，可以从不完全、不精确或不确定的知识或信息中做出推理。其数学定义如下：