Exponenta Banner

spectralSkewness

Спектральная скошенность для звуковых сигналов и слуховых спектрограмм

свернуть все на странице

Синтаксис

skewness = spectralSkewness(x,f)
skewness = spectralSkewness(x,f,Name,Value)
[skewness,spread,centroid] = spectralSkewness(___)

Описание

пример

skewness = spectralSkewness(x,f) возвращает спектральную скошенность сигнала, x, в зависимости от времени. Как функция интерпретирует x зависит от формы f.

пример

skewness = spectralSkewness(x,f,Name,Value) задает опции с помощью одного или нескольких Name,Value парные аргументы.

[skewness,spread,centroid] = spectralSkewness(___) возвращает спектральное распространение и спектральный центроид.

Примеры

свернуть все

Скрипт Open Live Script

Читайте в звуковом файле, вычислите скошенность с помощью параметров по умолчанию, и затем постройте результаты.

[audioIn,fs] = audioread('Counting-16-44p1-mono-15secs.wav');
skewness = spectralSkewness(audioIn,fs);

t = linspace(0,size(audioIn,1)/fs,size(skewness,1));
plot(t,skewness)
xlabel('Time (s)')
ylabel('Skewness')

Скрипт Open Live Script

Читайте в звуковом файле и затем вычислите mel спектрограмму с помощью melSpectrogram функция. Вычислите скошенность mel спектрограммы в зависимости от времени. Постройте график результатов.

[audioIn,fs] = audioread('Counting-16-44p1-mono-15secs.wav');

[s,cf,t] = melSpectrogram(audioIn,fs);

skewness = spectralSkewness(s,cf);

plot(t,skewness)
xlabel('Time (s)')
ylabel('Skewness')

Скрипт Open Live Script

Читайте в звуковом файле.

[audioIn,fs] = audioread('Counting-16-44p1-mono-15secs.wav');

Вычислите скошенность спектра мощности в зависимости от времени. Вычислите скошенность для Окон Хэмминга на 50 мс данных с перекрытием на 25 мс. Используйте диапазон от 62,5 Гц до fs/2 для вычисления скошенности. Постройте график результатов.

skewness = spectralSkewness(audioIn,fs, ...
                    'Window',hamming(round(0.05*fs)), ...
                    'OverlapLength',round(0.025*fs), ...
                    'Range',[62.5,fs/2]);
                        
t = linspace(0,size(audioIn,1)/fs,size(skewness,1));
plot(t,skewness)
xlabel('Time (s)')
ylabel('Skewness')

Скрипт Open Live Script

Создайте dsp.AudioFileReader возразите, чтобы читать в покадровых аудиоданных. Создайте dsp.SignalSink регистрировать спектральное вычисление скошенности.

fileReader = dsp.AudioFileReader('Counting-16-44p1-mono-15secs.wav');
logger = dsp.SignalSink;

В цикле аудиопотока:

  1. Читайте в системе координат аудиоданных.

  2. Вычислите спектральную скошенность для системы координат аудио.

  3. Регистрируйте спектральную скошенность для более позднего графического вывода.

Чтобы вычислить спектральную скошенность только для данного входного кадра, задайте окно с тем же количеством выборок как вход и обнулите длину перекрытия. Постройте записанные данные.

win = hamming(fileReader.SamplesPerFrame);
while ~isDone(fileReader)
    audioIn = fileReader();
    skewness = spectralSkewness(audioIn,fileReader.SampleRate, ...
                               'Window',win, ...
                               'OverlapLength',0);
    logger(skewness)
end

plot(logger.Buffer)
ylabel('Skewness')

Используйте dsp.AsyncBuffer если

  • Вход к вашему циклу аудиопотока имеет переменные выборки на систему координат.

  • Вход к вашему циклу аудиопотока имеет противоречивые выборки на систему координат с аналитическим окном spectralSkewness.

  • Вы хотите вычислить спектральную скошенность для перекрытых данных.

Создайте dsp.AsyncBuffer объект, сброс регистратор и релиз средство чтения файлов.

buff = dsp.AsyncBuffer;
reset(logger)
release(fileReader)

Укажите, что спектральная скошенность вычисляется для систем координат на 50 мс с перекрытием на 25 мс.

fs = fileReader.SampleRate;

samplesPerFrame = round(fs*0.05);
samplesOverlap = round(fs*0.025);

samplesPerHop = samplesPerFrame - samplesOverlap;

win = hamming(samplesPerFrame);

while ~isDone(fileReader)
    audioIn = fileReader();
    write(buff,audioIn);
    
    while buff.NumUnreadSamples >= samplesPerHop
        audioBuffered = read(buff,samplesPerFrame,samplesOverlap);
        
        skewness = spectralSkewness(audioBuffered,fs, ...
                                   'Window',win, ...
                                   'OverlapLength',0);
        logger(skewness)
    end
    
end
release(fileReader)

Постройте записанные данные.

plot(logger.Buffer)
ylabel('Skewness')

Входные параметры

свернуть все

Входной сигнал в виде вектора, матрицы или трехмерного массива. Как функция интерпретирует x зависит от формы f.

Типы данных: single | double

Частота дискретизации или вектор частоты в Гц в виде скаляра или вектор, соответственно. Как функция интерпретирует x зависит от формы f:

  • Если f скаляр, x интерпретирован как сигнал временной области и f интерпретирован как частота дискретизации. В этом случае, x должен быть вектор действительных чисел или матрица. Если x задан как матрица, столбцы интерпретированы, когда индивидуум образовывает канал.

  • Если f вектор, x интерпретирован как сигнал частотного диапазона и f интерпретирован как частоты, в Гц, соответствуя строкам x. В этом случае, x должен быть действительный L-by-M-by-N массив, где L является количеством спектральных значений на данных частотах f, M является количеством отдельных спектров, и N является количеством каналов.

  • Количество строк x, L, должно быть равно числу элементов f.

Типы данных: single | double

Аргументы в виде пар имя-значение

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: 'Window',hamming(256)

Примечание

Следующие аргументы пары "имя-значение" применяются если x сигнал временной области. Если x сигнал частотного диапазона, аргументы пары "имя-значение" проигнорированы.

Окно, примененное во временном интервале в виде разделенной запятой пары, состоящей из 'Window' и вектор действительных чисел. Число элементов в векторе должно быть в области значений [1, размер (x,1)]. Число элементов в векторе должно также быть больше OverlapLength.

Типы данных: single | double

Количество выборок, перекрытых между смежными окнами в виде разделенной запятой пары, состоящей из 'OverlapLength' и целое число в области значений [0, размер (Window,1)).

Типы данных: single | double

Количество интервалов раньше вычисляло ДПФ оконных входных выборок в виде разделенной запятой пары, состоящей из 'FFTLength' и положительное скалярное целое число. Если незаданный, FFTLength значения по умолчанию к числу элементов в Window.

Типы данных: single | double

Частотный диапазон в Гц в виде разделенной запятой пары, состоящей из 'Range' и двухэлементный вектор-строка из увеличения действительных значений в области значений [0, f/2].

Типы данных: single | double

Тип спектра в виде разделенной запятой пары, состоящей из 'SpectrumType' и 'power' или 'magnitude':

  • 'power' – Спектральная скошенность вычисляется для одностороннего спектра мощности.

  • 'magnitude' – Спектральная скошенность вычисляется для одностороннего спектра величины.

Типы данных: char | string

Выходные аргументы

свернуть все

Спектральная скошенность, возвращенная как скаляр, вектор или матрица. Каждая строка skewness соответствует спектральной скошенности окна x. Каждый столбец skewness соответствует независимому каналу.

Спектральное распространение, возвращенное как скаляр, вектор или матрица. Каждая строка spread соответствует спектральному распространению окна x. Каждый столбец spread соответствует независимому каналу.

Спектральный центроид в Гц, возвращенном как скаляр, вектор или матрица. Каждая строка centroid соответствует спектральному центроиду окна x. Каждый столбец centroid соответствует независимому каналу.

Алгоритмы

Спектральная скошенность вычисляется как описано в [1]:

skewness=∑k=b1b2(fk−μ1)3sk(μ2)3∑k=b1b2sk

где

  • fk является частотой в Гц, соответствующем интервалу k.

  • sk является спектральным значением в интервале k.

  • b 1 и b 2 является ребрами полосы в интервалах, по которым можно вычислить спектральную скошенность.

  • μ 1 является спектральным центроидом, вычисленным аналогичный описанному spectralCentroid функция.

  • μ 2 является спектральным распространением, вычисленным аналогичный описанному spectralSpread функция.

Ссылки

[1] Петерс, G. "Большой набор функций аудио для звукового описания (Подобие и классификация) в проекте CUIDADO". Технический отчет; IRCAM: Париж, Франция, 2004.

Расширенные возможности

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Массивы графического процессора
Ускорьте код путем работы графического процессора (GPU) с помощью Parallel Computing Toolbox™.

Смотрите также

| |

Темы

Введенный в R2019a

Документация Audio Toolbox

Поддержка