我将从以下一组参数开始：

• MFCC（我知道您尝试过，但请留在我身边）没有静态能量（第一个系数）
• MPEG-7 中的一些描述符，例如：频谱平坦度、谐波、基频、频谱扩展等。您可以在此处找到有关它们的更多信息：单击或在这本好书中：MPEG-7 Audio and Beyond

您还应该包括和。他们应该真正提高准确性。您也可以尝试为其他参数计算这些。有了这个，您可以从高斯混合模型或支持向量机开始（我认为 GMM 将适合该任务）。在训练你的模型之后，只需在测试集上验证它（似乎很明显，但我见过很多项目，人们在训练集上测试他们的机器学习算法，增加了噪音，或者更糟糕的是，相同的训练数据）。$\Delta$$\Delta\Delta$

在此之后，您应该执行功能优化。这是重要的部分，因为某些特征是不相关的（即少数第一个滤波器组的频谱平坦度，而鸟的啁啾具有更高的频率）。可以在此处找到包含许多用于此目的的算法的不错的出版物：单击， 单击。祝你好运！

我尝试使用 visoft 在其中一条评论中提出的 chirplet 变换（来自MPTK库） - 恐怕成功有限。并不是说它根本不起作用，而是我找到了更好的方法。

由于过程相当冗长，我邀请有兴趣的人阅读我创建的PDF小文章的第三章。与 chirplets 相比，它不仅快大约 20 倍，而且更灵活、准确和稳定。事实证明，它在猕猴桃识别方面比最初标记所提供数据的人更成功，我认为这是不可能的。以下是我使用的功能列表：

• 知觉传播
• 感知锐度
• 光谱平坦度
• 光谱滚降
• 光谱减少
• 光谱形状统计
• 谱斜率
• 线性预测编码 (LPC) 系数
• 线谱对 (LSP) 系数
• 倍频带信号强度 (OBSI) 系数

这个想法本质上与 jojek 提出的想法非常相似，所以 +1，谢谢！

实现细节可以在Github 的项目页面上找到。希望它可以帮助其他人从事类似的工作。任何意见、建议和问题都非常欢迎在这里和项目页面上。

我想您仍然希望隔离可以通过该上升模式识别的单个呼叫。你必须为此找到峰值。也许您首先识别并隔离“脉冲”，然后找到每个脉冲的最大频率，然后将您的程序剪切到有较大下降幅度的地方。