一、抓数据要想做成词云图表，首先得有数据才行。于是需要一点点的爬虫技巧。基本思路为：抓包分析、加密信息处理、抓取热门评论信息1.抓包分析我们首先用浏览器打开网易云音乐的网页版，进入陈奕迅《我们》歌曲页面，可以看到下面有评论。接着F12进入开发者控制台（审查元素）。接下来就要做的是，找到歌曲评论对应的url，并分析验证其数据跟网页现实的数据是否吻合，步骤如下图： 查看hreaders的信息，发现浏览
信号倒谱图是信号处理领域中一个重要的工具，它可以通过对信号进行倒谱分析，帮助我们提取出信号的特征，识别信号中的复杂模式。现在，我将分享如何使用 Python 来生成信号倒谱图，具体过程包括环境准备、集成步骤、配置详解、实战应用、排错指南以及生态扩展。
## 环境准备
在开始之前，我们需要安装必要的依赖包。以下是在不同平台上安装必需的 Python 库（如 NumPy 和 Matplotlib）
一个list或tuple的部分元素是非常常见的操作。比如，一个list如下：
>>> L = ['Michael', 'Sarah', 'Tracy', 'Bob', 'Jack']
取前3个元素，应该怎么做？
笨办法：
>>> [L[0], L[1], L[2]]
['Michael', 'Sarah', 'Tracy']
之所以是笨办法是因为扩展一下，取前N
倒谱是表示一帧语音数据特征的一个序列。从periodogram estimate of the power spectrum计算得到的倒谱系数，可以用于基音追踪（pitch tracking），然而，从AR power spectral estimate计算得到的倒谱系数可以用于语音识别（现在已经被MFCCs所替代）。
One of the benefits of cepstrum and LPC
目录 MFCC简介：Python代码说明MFCC简介： Mel频率是基于人耳听觉特性提出来的，它与Hz频率成非线性对应关系 。Mel频率倒谱系数(MFCC)则是利用它们之间的这种关系，计算得到的Hz频谱特征，MFCC已经广泛地应用在声纹识别和语音识别领域。由于Mel频率与Hz频率之间非线性的对应关系，使得MFCC随着频率的提高，其计算精度随之下降。因此，在应用中常常只使用低频MFCC，
转载
2024-07-05 20:23:43
66阅读
源过滤器分离倒谱分析是另一种将声道滤波器响应与激励分开的方法（如线性预测） 它基于以下观察：语音信号的频谱是激励频谱和声道频率响应的乘积可以使用log将乘法转换为加法，因此，“对数频谱”可以看作是对数激励频谱和对数声道频率响应的总和 log(spectrum) = log(excitation spectrum) + log( vocal tract frequency response) 所以，
转载
2023-12-01 11:45:08
382阅读
MFCCMFCC特征全称为Mel频率倒谱系数（Mel-Frequency Ceptral Coefficients,MFCC)，它能够反映人对语音的感知特性。两个响度不等的声音作用于人耳时，则响度较高的频率成分的存在会影响到对响度较低的频率成分的感受，使其变得不易察觉，这种现象称为掩蔽效应。由于频率较低的声音在内耳蜗基底膜上行波传递的距离大于频率较高的声音，故一般来说，低音容易掩蔽高音，而高音掩蔽
详细介绍了Semaphore信号量的原理和应用，以及与CountDownLatch的对比！ 文章目录1 Semaphore的概述2 Semaphore的原理2.1 基本结构2.2 可中断获取信号量2.1.1 公平模式2.1.2 非公平模式2.3 不可中断获取信号量2.4 超时可中断获取信号量2.5 尝试获取信号量2.6 释放信号量3 Semaphore的使用4 Semaphore的总结 1 Sem
在处理音频信号分析和频谱分析时，利用Python的快速傅里叶变换（FFT）可以有效计算功率谱密度。然而，在应用FFT之前，通常需要对信号进行加窗以减少频谱泄露现象。本文将记录如何使用Python实现“FFT求功率谱密度加窗”的全过程，包括备份策略、恢复流程、灾难场景、工具链集成、预防措施及迁移方案。
### 备份策略
在进行FFT计算及相关数据处理的过程中，确保数据的安全和可恢复至关重要。以下
倒谱分析与同态滤波语音信号可用一个线性时不变系统的输出表示，即看做声门激励信号与声道冲激响应的卷积。在语音信号处理领域，根据语音信号求解声门激励函数和声道激励相应有非常重要的意义，如要求出语音信号的共振峰(共振峰是声道传递函数个对复共轭极点的频率)，需要知道声道传递函数。由卷积结果求出参与卷积的各信号，即将卷积分量分开，通常称为解卷，也成反卷积。解卷算法分为两大类，第一类为参数解卷，包
也是分各种情况讨论噪声。 当然这章全记下来是不可能的，个人觉得只要记住噪声来源和分析方法，以及定性的描述各种电路的噪声情况，即可。 7.1 噪声的统计特性 主要是一些概念。 噪声是一个随机过程。噪声的平均功率往往是固定的。 噪声谱，也称为功率谱密度，（PSD，power spe
MFCC梅尔倒谱系数是说话人识别、语音识别中最为常用的特征。我曾经对这个特征困惑了很久，包括为什么步骤中要取对数，为什么要最后一步要做DCT等等，以下将把我的理解记录下来，我找到的参考文献中最有价值的要数【1】了。是CUM一个教授做的PPT。整个流程如下：时域的波形图如下图1. 时域波形图第一步获得语谱图，语谱图是一个非常有力的工具，因为人耳就是进行的频率分析。图2. 语谱图第二步经过梅尔滤波器组
要搞明白如何让python调用C/C++代码(也就是写python的extension)，你需要征服手册中的<>厚厚的一章。在昨天花了一个小时看地头晕脑胀，仍然不知道如何写python的extension后，查阅了一些其他书籍，最终在<>书中找到了教程。1。 首先要明白的是，所谓的python扩展(也就是你提供给python的c/c++代码，不一定是c/c++代码，可以是其
转载
2023-08-04 16:09:17
80阅读
1.需要安装的包tkinterx
2.需要引用的库import tkinter as tk3.创建一个窗体win1=tk.Tk()#常见窗口对象
win1.title('MY main')#添加窗体名称
win1.geometry('670x470')#设置窗体大小
win1.mainloop()#执行窗体4.弹出一个对话框import tkinter as tk
from tkinter imp
转载
2023-06-20 20:17:41
428阅读
# 实现Python窗宽窗位的方法
## 1. 总体流程
为了实现Python中的窗宽窗位功能，我们可以按照以下步骤来进行操作：
```mermaid
erDiagram
确定图像数据 --> 加载图像
加载图像 --> 显示图像
显示图像 --> 设置窗宽窗位
```
## 2. 操作步骤
下面是具体的操作步骤，以及每一步需要做的事情：
| 步骤 | 操作 |
原创
2024-06-12 06:27:15
89阅读
1. import底层原理假设先创建一个文件demonA.py，内容如下：# encoding: utf-8
print("Test demon A")
def add(a, b):
"""
:param a:
:param b:
:return:
"""
return a + b
print("End test Demon
转载
2024-05-30 00:30:23
139阅读
概念：窗位窗位（Window Level）又称窗水平。是图像显示过程中代表图像灰阶的中心位置。窗宽窗宽（Window Width） 表示所显示信号强度值的范围。 解释： 窗宽 所谓的窗宽(windowing)就是指用韩森费尔德(发明者)单位(Hounsfield Unit，简称HU)所得的数据来计算出影像的过程，不同的的放射强度(Raiodensity)对应到256种
转载
2023-11-13 21:20:33
499阅读
低代码概念最近大火，也出现了很多低代码产品，原来一直觉得低代码鼓吹的有点过了，“压根不靠谱，根本做不了复杂业务系统”。
其实我错了，错了一半也对了一半，怎么讲呢？！！
做不了复杂业务系统我说对了。
不靠谱我错了，实际上是我没有理解其产品的定位，其产品定位就是大企业的边缘化需求“无业务的小系统，简单理解就是将原纸质办公搬到线上，不涉及到业务，一般企业也都有核心业务系统，人家不做这块”，所以产品定位
原创
2021-07-26 16:59:45
201阅读
# Python中的矩形窗和汉明窗
在信号处理中，窗函数是一种在频谱分析和滤波器设计中广泛使用的工具。窗函数可以帮助我们在对信号进行傅里叶变换时减少频谱泄漏等问题。在Python中，我们可以使用矩形窗（Rectangular Window）和汉明窗（Hamming Window）来进行信号处理。本文将介绍如何在Python中使用这两种窗函数，并给出相应的代码示例。
## 什么是窗函数
在信号
原创
2024-05-27 03:25:44
501阅读
刚开始接触医学图像处理，对窗宽窗位不是很了解，此篇仅为学习记录。 普通图像的灰度范围一般是256级，而医学图像基于其特殊性，灰度级较普通图像会高很多。人体组织在CT上能分辨出2000个不同的灰度，而人眼只能分辨16个灰度，将这2000个CT值用
