在Python中，我仅通过检查频率和振幅来执行警报识别。我的代码采用1S声音的FFT，然后将其与预定频率及其振幅进行比较。由于警报包含较高的频率(6k-9kHz等(和一个长数组(44100个不同的元素(，因此我可以在没有ML的情况下取得成功。多亏了高分辨率的FFT，即使在7010Hz和7016Hz等近距离频率下，我也可以区分振幅变化，并且由于这些频率在录制环境中没有任何外部噪声，因此我可以猜出正确的警报。但是，我想用ML实现它，因为很难用很多警报执行它。有很多音频分类来源/工作示例等，但我找不到最适合我的音频分类来源。他们通常使用功能提取，MFCC，但我不想使用MFCC失去分辨率，因为它结合了近距离频率。因此，我只想构建一种ML算法，该算法仅检查每个类中的两个阵列。频率和振幅(都有44100个元素(您能建议任何来源来构建此算法吗？我检查了下面的来源，这还可以，但我不想使用MFCC类型的方法。如果您发表评论，我可以通过示例提出我的问题。pyaudioclalsification
警报通常还具有特定的时间签名。要么打开或打开/关闭图案。
要检测到这些，您应该将STFT转换为对数尺度的Melspectrogram。您可以使用100-1000毫秒的分析时间窗口进行分类。卷积神经网络往往会做得最好，但是您也可能只有一个随机的森林分类器。