毕设要用的😭
就是输入一个弹琴的音频，然后判断这是第几个音，应该咋实现啊！
希望可以给一个思路或者方向🧎‍♀️

参考：https://blog.csdn.net/calvinpaean/article/details/103204271

不知道你这个问题是否已经解决, 如果还没有解决的话:

• 帮你找了个相似的问题, 你可以看下: https://ask.csdn.net/questions/7781641
• 这篇博客也不错, 你可以看下以一元及二元函数为例，通过多项式的函数图像观察其拟合性能；以及对用多项式作目标函数进行机器学习时的一些理解。
• 除此之外, 这篇博客: 一种根据两两相关系数将多个对象进行分组，求解最优分组方案，并保证组内所有对象互相关的排列组合算法中的 代码（未完待续）： 部分也许能够解决你的问题, 你可以仔细阅读以下内容或者直接跳转源博客中阅读:
  

  def get_myclass(columns,similarity_df,threshold):
      myclass = {0:[]}
      row_col_names_init = columns.copy()
      i = 0
      j = 1
      while True:
          
          row_col_names_init = row_col_names_init-set(myclass[i])
          print(len(row_col_names_init))
          if len(row_col_names_init)<=2:
              myclass[j] = row_col_names_init
              break
              
          similarity_test = similarity_df.loc[row_col_names_init,row_col_names_init]
          
          try:
              myclass[j] = get_submatrix(similarity_test,threshold)
          except:
              threshold  -= 0.01
              continue
              
          if len(myclass[j]) > 1:
              myclass[j] = filter_submatrix(myclass[j],similarity_df)
              
          else:
              myclass[j] = myclass[j][0]
              
          print(j,myclass[j])
          print(threshold)
          i += 1
          j += 1
          
      return myclass
  

• 您还可以看一下 刘建萍老师的人工智能系列课程零基础讲解知识点和实例应用线性回归梯度下降逻辑回归课程中的 讲解机器学中会涉及到的有关数学方面的知识储备有哪些小节, 巩固相关知识点
  
• 以下回答来自chatgpt:

  针对此问题，可以采用以下步骤：

  1.数据准备：收集一定数量的不同琴键的音频数据，并进行标注，即将每个音频文件标记为属于哪个琴键音。

  2.特征提取：使用音频信号处理技术，从每个音频文件中提取出特征向量作为输入特征。常用的音频特征包括Mel频率倒谱系数（MFCC）、色度图谱、音高谱等。

  代码示例：

  import librosa import numpy as np

  def extract_feature(file_name): ''' 从音频文件中提取特征 参数： file_name: 音频文件路径 返回值： feature: 提取得到的特征向量 ''' # 加载音频文件 y, sr = librosa.load(file_name)

  # 提取MFCC特征
  mfccs = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=40)
  mfccs = np.mean(mfccs.T, axis=0)
  
  # 提取色度图谱特征
  chroma = librosa.feature.chroma_stft(y=y, sr=sr)
  chroma = np.mean(chroma.T, axis=0)
  
  # 提取音量特征
  rmse = librosa.feature.rmse(y=y)
  rmse = np.mean(rmse.T, axis=0)
  
  # 存储所有特征
  feature = np.hstack([mfccs, chroma, rmse])
  
  return feature
  

  3.模型训练：使用机器学习算法（如支持向量机、随机森林、神经网络等）构建分类模型，并使用标注好的数据进行模型训练。

  代码示例：

  from sklearn.svm import SVC from sklearn.ensemble import RandomForestClassifier from sklearn.neural_network import MLPClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score

  加载数据集和标签

  data = [] labels = [] for i in range(1, 7): file_names = glob.glob('path/to/{}/*.wav'.format(i)) for file_name in file_names: feature = extract_feature(file_name) data.append(feature) labels.append(i)

  划分训练集和测试集

  X_train, X_test, y_train, y_test = train_test_split(data, labels, test_size=0.2, random_state=42)

  构建分类器

  SVM分类器

  clf = SVC(kernel='rbf', gamma=0.001, C=100)

  随机森林分类器

  clf = RandomForestClassifier(n_estimators=100, max_depth=5, random_state=42)

  MLP神经网络分类器

  clf = MLPClassifier(hidden_layer_sizes=(100,), max_iter=1000, alpha=1e-4, solver='adam', tol=1e-4, random_state=42)

  模型训练和预测

  clf.fit(X_train, y_train) y_pred = clf.predict(X_test)

  评估模型性能

  accuracy = accuracy_score(y_test, y_pred)

  4.模型优化：根据模型表现进行调参和优化，如调整SVM的超参数C和gamma等，增加训练数据数目，尝试不同的特征提取方式等。

  5.模型应用：使用已经训练好的模型对新的音频文件进行分类预测。

  代码示例：

  加载新的音频文件

  new_file = 'path/to/new_audio.wav' new_feature = extract_feature(new_file)

  进行分类预测

  new_label = clf.predict(new_feature.reshape(1, -1))[0]

  输出预测结果

  print('The new audio file belongs to key {}.'.format(new_label))

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^