✅作者简介：热爱数据处理、建模、算法设计的Matlab仿真开发者。

🍎更多Matlab代码及仿真咨询内容点击 🔗：Matlab科研工作室

🍊个人信条：格物致知。

🔥 内容介绍

特征提取是数字信号处理中的重要步骤，它可以帮助我们从原始数据中提取出有用的信息，为后续的分析和处理提供基础。在音频信号处理中，基音频率是一个重要的特征，它可以帮助我们识别音频中的基本音调和音高变化。本文将介绍基于自相关函数（ACF）和加权平均幅度差函数（W-AMDF）的基音频率计算方法。

ACF是一种常用的信号处理工具，它可以帮助我们找出信号中的周期性成分。在音频信号处理中，ACF可以用来计算信号的基音频率。基音频率是指音频信号中最低的频率成分，它对应着音调的基本频率。通过计算音频信号的ACF，我们可以找出信号中的周期性成分，从而推断出基音频率。

另一种常用的基音频率计算方法是W-AMDF。W-AMDF在计算基音频率时考虑了信号的幅度变化，因此可以更准确地找出基音频率。W-AMDF首先计算出信号的幅度差函数，然后对其进行加权平均，最后找出幅度差函数的最小值对应的位置，即为基音频率的估计值。

在实际的音频信号处理中，我们可以结合ACF和W-AMDF的方法来计算基音频率。首先使用ACF方法对音频信号进行基音频率的初步估计，然后再利用W-AMDF方法进行精细化的计算。这样可以充分发挥两种方法的优势，得到更准确的基音频率估计结果。

总之，基音频率是音频信号中的重要特征之一，它可以帮助我们理解音频中的音调和音高变化。通过基于ACF和W-AMDF的基音频率计算方法，我们可以更准确地提取出音频信号中的基音频率信息，为后续的音频处理和分析提供可靠的基础。希望本文对大家在音频信号处理中的特征提取工作有所帮助。

📣 部分代码

clear all; clc; close all;filedir=[];                       % 设置路径filename='s.wav';          % 设置文件名fle=[filedir filename];           % 构成完整的路径和文件名[xx,Fs]=audioread(fle);             % 读入数据文件x=detrend(xx);                    % 消除直流分量wlen=200; inc=80;                 % 设置帧长、帧移win=hanning(wlen);                % 窗函数N=length(x);                      % 求数据长度X=enframe(x,win,inc)';            % 分帧fn=size(X,2);                     % 获取帧数zcr1=zeros(1,fn);                 % 初始化for i=1:fn    z=X(:,i);                     % 取得一帧数据    for j=1: (wlen-1);          % 在一帧内寻找过零点         if z(j)* z(j+1)< 0       % 判断是否为过零点             zcr1(i)=zcr1(i)+1;   % 是过零点，记录1次         end    endendtime=(0:N-1)/Fs;                  % 计算时间坐标frameTime=frame2time(fn,wlen,inc,Fs);  % 求出每帧对应的时间% 作图subplot 211; plot(time,x,'k'); grid;title('语音波形');ylabel('幅值'); xlabel(['时间/s' 10 '(a)']);subplot 212; plot(frameTime,zcr1,'k'); grid;title('短时平均过零率');ylabel('幅值'); xlabel(['时间/s' 10 '(b)']);​

⛳️ 运行结果

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

🎁  关注我领取海量matlab电子书和数学建模资料

👇  私信完整代码、论文复现、期刊合作、论文辅导及科研仿真定制

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面

卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合