概述:

这个例子要归功于Ian Alfred。他起草了这个例子，我修改了这个例子来解释我的见解和解决方案。在这个例子中，我们将使用机器学习对城市声音数据集进行分类。请注意，我不会解释深度学习技术，尽管人们普遍认为深度学习技术可以获得更高的精度。让我们先看看我们能用机器学习做什么。对于这个项目，我们将使用一个名为Urbansound8K的数据集。数据集包含10类城市声音的8732段声音摘录(<=4s)，分别是:

空调
汽车喇叭
玩耍的孩子
犬吠
钻井
发动机空转
枪射击
手提钻
塞壬
街头音乐

附带的元数据包含每个声音摘录的唯一ID及其给定的类名。该数据集的示例包含在附带的git repo中，完整的数据集可以从这里下载。

在这个例子中有7个里程碑:

里程碑1:介绍示例，探索和可视化数据
里程碑2:使用诊断应用程序设计器进行数据预处理和特征提取(信号时域特征和频谱特征)
里程碑3:模型训练和评估
里程碑4:模型部署
里程碑5:使用MFCC训练机器学习模型提取特征
里程碑6:使用小波分析和深度学习对城市声音进行分类

亮点:
为audiodatastore准备真实生活数据
对数字信号数据(采样率，位深，信道数)进行标准化和规范化
采用不同方法提取特征(时域信号特征与频谱特征、MFCC、离散小波变换、Haar 1D小波变换)
使用分类学习应用程序训练机器学习模型
训练深度学习模型
将机器学习模型部署到嵌入式设备或桌面应用程序

产品重点:
MATLAB
音频Toobox
统计和机器学习工具箱
信号处理工具箱
DSP系统工具箱
小波工具箱
深度学习工具箱