librosa--学习笔记（2）(频谱特性 Spectral representations)
- 短时傅里叶变换：X = librosa.stft(x)
""" 参数：y：音频时间序列n_fft：FFT窗口大小，n_fft=hop_length+overlappinghop_length：帧移。spectrum = np.abs(librosa.stft(frame, n_fft=self.nfft))，未指定hop_length时，则默认win_length / 4spectrum = np.abs(librosa.stft(frame, n_fft=self.nfft, hop_length=len(frame)))时，如果帧移长度小于傅里叶变换点数，librosa.stft输出为hop_length+1spectrum = np.abs(librosa.stft(frame, n_fft=self.nfft, hop_length=self.nfft))时，无论win_length设置为帧长还是nfft，librosa.stft输出都只有一帧。最后得出结论librosa.stft的输出帧数为speech_length // hop_length + 1win_length：每一帧音频都由window()加窗。窗长win_length，然后用零填充以匹配n_fft。默认win_length=n_fft。window：字符串，元组，数字，函数 shape =（n_fft, )窗口（字符串，元组或数字）窗函数，例如scipy.signal.hanning长度为n_fft的向量或数组center：bool如果为True，则填充信号y，以使帧 D [:, t]以y [t * hop_length]为中心如果为False，则D [:, t]从y [t * hop_length]开始dtype：D的复数值类型。默认值为64-bit complex复数pad_mode：如果center = True，则在信号的边缘使用填充模式。默认情况下，STFT使用reflection padding 返回：一个复数矩阵使得D(f,t) STFT矩阵 shape =（1 + nfft/2，t）其中：n_fft/2是因为实数FFT信号具有对称性，我们只需要去一般的数据分析即可，全部返回有数据冗余。 n_frames: n_frames = (speech_len) // hop_len + 1。具体可以画图，信号处理之前首先需要padding, padding之后分帧，画图可以看到，真正与帧数有关系的，是hop_len。 """ - 逆傅里叶变换 Y = librosa.istft(result)：
""" 参数：stft_matrix：经过STFT之后的矩阵hop_length：帧移，默认为winlength4win_length：窗长，默认为n_fftwindow：字符串，元组，数字，函数或shape = (n_fft, )窗口（字符串，元组或数字）窗函数，例如scipy.signal.hanning长度为n_fft的向量或数组center：bool如果为True，则假定D具有居中的帧如果False，则假定D具有左对齐的帧length：如果提供，则输出y为零填充或剪裁为精确长度音频 返回：y：时域信号 """ - 获取瞬时频率 frequencies, D = librosa.ifgram(y, sr=sr)
""" 参数为：norm：STFT归一化ref_power：最小化阈值估计瞬时频率 返回值：if_gram：瞬时频率D：短时傅里叶变化 """ - 音乐中常用的CQT算法 CQT = librosa.amplitude_to_db(librosa.cqt(y, sr = 16000 ), ref = np. max )
""" 参数为：fmin：最小频率 n_bins：从最小频率开始，频率窗的数bins_per_octave：每倍频程的bin数量tuning：调整bin """ - 快速梅林变化：odf_ac_scale = librosa.fmt(librosa.util.normalize(odf_ac), n_fmt=512)
""" 参数：y: np.ndarray, real-valued。输入信号，可以是多维的。目标轴必须至少包含3个样本。t_min: float > 0最小时间间隔（以样本为单位）。该值通常应小于1，以尽可能多地保留信息。n_fmt: int > 2 or None要使用的缩放变换bin数。如果为None, 则n_bins = over_sample * ceil(n * log((n-1)/t_min)) 其中 n = y.shape[axis]kind: str重新采样输入时要使用的插值类型。看scipy.interpolate.interp1d或许可选值请注意，默认值是使用high-precision（立方）插值。这在实践中可能很慢；如果速度优先于精度，那么考虑使用kind='linear'。beta: float梅林参数。beta=0.5提供了尺度变换。over_sample: float >= 1指数重采样的过采样因子。axis: int沿其变换y的轴 返回：x_scale : np.ndarray [dtype=complex]y沿轴尺寸的缩放变换。 """
librosa--学习笔记（2）(频谱特性 Spectral representations)相关推荐
- 论文学习笔记02（Learning phrase representations using rnn encoder-decoder for statistical machine translat）
论文学习笔记 Learning phrase representations using rnn encoder-decoder for statistical machine translation ...
- IOS学习笔记58--IOS7新特性之XCODE
Welcome to Xcode 5 这是我的WWDC2013系列笔记中的一篇,完整的笔记列表请参看这篇总览.本文仅作为个人记录使用,也欢迎在许可协议范围内转载或使用,但是还烦请保留原文链接,谢谢您的 ...
- Python学习笔记：高级特性
前言 最近在学习深度学习,已经跑出了几个模型,但Pyhton的基础不够扎实,因此,开始补习Python了,大家都推荐廖雪峰的课程,因此,开始了学习,但光学有没有用,还要和大家讨论一下,因此,写下这些帖 ...
- linux shell命令分布执行,Linux学习笔记：bash特性之多命令执行，shell脚本
今天我们学习了bash特性多命令执行包括各个命令之间的逻辑关系.其中包含"与""或""非"命令的执行.下面即为我们所学习的这些逻辑命令关系之 ...
- 学习笔记20230508--es6新特性 打散数组和解构赋值 (应用层面)
在今天学习的过程中,对es6的新特性 打散数组和解构赋值有了全新的认识,现学习分享如下- 欢迎各位大神们指教纠错
- 事务管理学习笔记：事务特性与常见并发异常
事务管理笔记 什么是事务? 事务是由N步数据库操作序列组成的逻辑执行单元,这系列操作要么全执行,要么全不执行. 事务特性 原子性:事务是应用中不可再分的最下执行体 一致性:事务的执行结果,必须数据从一 ...
- 【温故知新】CSS学习笔记（三大特性）
CSS三大特性简介 CSS(层叠样式表)三大特性:层叠性.继承性.优先级. 一.CSS层叠性 所谓的层叠性是指多种CSS样式的叠加.是浏览器处理冲突的一个能力,如果一个属性通过两个相同选择器设置到同一 ...
- 廖雪峰python学习笔记之高级特性
写在前面 寒假时本科舍友的一句话点醒梦中人-你的python基础还没弄明白吧!猛地一想好像确实如此,还停留在随插随用的程度,并且对于迭代器,函数式编程等等,没有深刻理解,所以项目做起来也是空中楼阁,所 ...
- CAD学习笔记基础课【特性】
基础课-特性 一.特性 1.颜色 2.线宽 3.线型 二.特性匹配 一.特性 1.颜色 通常选择ByLayer[随层] 2.线宽 通常选择ByLayer[随层] 3.线型 1.常用的线型:①实线[co ...
最新文章
- [CF1442 D] Sum（分治优化dp + 结论）
- sata修改为ahci后系统无法启动_固态重装系统
- python excel centos_centos中使用python遇到的几个问题
- 宽度学习（Broad Learning System）
- String类的intern方法学习
- 生命是一个无解的谜——《我喜欢生命本来的样子》读后感作文2100字
- Motorola（二）
- 【看表情包学Linux】缓冲区的概念 | Git 三板斧 | 实现简易进度条
- matplotlib 绘图 中文乱码 0.5
- DM单机包含集群搭建
- React 环境搭建以及创建项目工程（二）
- IBDP tok课程是什么课？怎么拿高分？
- AL32UTF8/UTF8（Unicode）数据库字符集含义 (文档 ID 1946289.1)
- 艾伟也谈项目管理，工作感言：任务分配及管理
- 智能家居DIY之智能插座
- Increase and Decrease--codeForces 246B
- 什么是QPS、TPS
- 周期性行业是什么意思_什么是周期性行业及周期性股票
- 软件项目管理思维导图
- Web病毒处理过程实录