如果信号具有相同的持续时间但使用不同的采样率获得，因此它们具有不同的样本长度，您可以使用更高的采样率重新采样较短的序列以匹配较长的序列。

我建议你比较相似的东西，不要比较不相似的东西。您可以对“短”、“中”和“长”进行初步分类，然后再进行第二组分类。在持续时间类中，执行所需的拉伸和填充。

另一种可能性是将所有内容分解成最短的片段，提取持续时间短的特征，然后将它们用作序列中的标记。

音频分类有很多问题，例如一个窗口中存在多个类别。

零填充数据的开头和/或结尾是一种很好的方法，它不会导致与原始数据无关的信息。一种有效的选择是进入频域。您可以将FFT应用于您的时间序列，并将前 m 个 FFT 系数视为您的新数据。这是一个合理的假设，因为较高的频率通常归因于环境或测量噪声，并且数据的主要部分保存在较低频率的系数中。

我认为您可以尝试“归一化”和“离散化”时间变量：给定通用瞬间“时间”的频率幅度，您计算输入信号的长度（以秒为单位），然后计算相应的 bin norm_time = time/max_time：. 请注意，您引入了一个新参数，它是输入信号时间间隔中不重叠的连续子间隔的数量。实际上，您只需将每个声音样本的信号时间间隔划分为，然后在每个这样的时间子间隔内汇总（积分-求和）每个频率级别的幅度。通过考虑的频率间隔（类、箱）的数量表示，每个样本的特征集始终具有 元素。max_timetime_bin=int(norm_time*n_time_bins)n_time_binsn_time_binsn_freqn_freq * n_time_bins