C:\Users\20323\miniconda3\python.exe "D:/pycharm/PyCharm 2024.1.1/plugins/python/helpers/pydev/pydevconsole.py" --mode=client --host=127.0.0.1 --port=49326 import sys; print('Python %s on %s' % (sys.version, sys.platform)) sys.path.extend(['E:\\学习资料\\语音识别课设']) PyDev console: using IPython 9.1.0 Python 3.12.1 | packaged by Anaconda, Inc. | (main, Jan 19 2024, 15:44:08) [MSC v.1916 64 bit (AMD64)] on win32 runfile('E:\\学习资料\\语音识别课设\\main.py', wdir='E:\\学习资料\\语音识别课设') Traceback (most recent call last): File "C:\Users\20323\miniconda3\Lib\site-packages\IPython\core\interactiveshell.py", line 3667, in run_code exec(code_obj, self.user_global_ns, self.user_ns) File "<ipython-input-2-930067c3fece>", line 1, in <module> runfile('E:\\学习资料\\语音识别课设\\main.py', wdir='E:\\学习资料\\语音识别课设') File "D:\pycharm\PyCharm 2024.1.1\plugins\python\helpers\pydev\_pydev_bundle\pydev_umd.py", line 197, in runfile pydev_imports.execfile(filename, global_vars, local_vars) # execute the script ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "D:\pycharm\PyCharm 2024.1.1\plugins\python\helpers\pydev\_pydev_imps\_pydev_execfile.py", line 18, in execfile exec(compile(contents+"\n", file, 'exec'), glob, loc) File "E:\学习资料\语音识别课设\main.py", line 10, in <module> from scipy.signal import hamming ImportError: cannot import name 'hamming' from 'scipy.signal' (C:\Users\20323\miniconda3\Lib\site-packages\scipy\signal\__init__.py)

<think>好的，我现在需要解决用户提到的两个问题：Python代码中的未解析引用'hop_len'和导入错误'hamming'。首先，我得仔细回顾用户提供的代码和之前的对话内容。用户之前的代码中，在`_extract_mfcc`方法里使用了`hop_len`变量，但该变量未定义。根据之前的回答，用户可能在`_preprocess`方法中计算了`hop_len`，但没有将其保存为实例变量，导致在其他方法中无法访问。需要确认用户是否按照建议将`hop_len`设为self属性。如果用户没有正确设置，就会出现未解析引用的错误。 然后是导入错误'hamming'。用户可能在代码中使用了`hamming`函数，但未正确导入。正确的做法应该是从`scipy.signal`导入hamming窗函数，或者使用`librosa`自带的函数。用户可能错误地直接调用了`hamming()`而没有导入，或者拼写错误导致导入失败。接下来，我需要参考用户提供的引用内容。引用[1]提到帧长、窗长和傅里叶变换维度的一致性，以及librosa的分帧方式。这提示在设置`n_fft`参数时，应确保与帧长相同，避免填充或截断。用户可能在之前的代码中正确设置了`frame_len`，但未正确传递到`melspectrogram`函数中，导致参数不一致。 引用[2]比较了两种库提取MFCC的速度，但用户当前的问题更关注于代码错误而非性能。不过，这可能影响用户后续的效率选择，但暂时可以忽略，先解决当前错误。 针对未定义的'hop_len'，解决方案是确保在`_preprocess`方法中将计算出的`hop_len`保存为实例变量，如`self.hop_len`，然后在`_extract_mfcc`中引用`self.hop_len`。同时，检查是否在调用`melspectrogram`之前正确调用了`_preprocess`方法，确保实例变量已被赋值。 对于hamming导入错误，需要确认用户是否正确导入了hamming函数。正确的导入语句应为`from scipy.signal importhamming`，或者使用`librosa.filters.get_window`。如果用户使用的是后者，可能需要检查是否存在版本兼容性问题或安装缺失的问题。 此外，用户可能在分帧加窗时直接使用了`hamming(self.frame_len)`而没有导入，导致NameError。需要建议用户添加正确的导入语句，或者改用librosa提供的窗函数，如`librosa.filters.get_window('hamming', self.frame_len)`。最后，需要确保代码流程正确，例如预处理步骤在特征提取之前执行，所有必要的实例变量都已正确初始化和传递。可能还需要检查`self.frames`的维度是否正确，以及`librosa.feature.melspectrogram`的参数是否正确使用，例如输入信号是否应该是原始信号而非分帧后的数据，这可能会影响结果。总结解决方案步骤：1.将`hop_len`设为实例变量；2.正确导入hamming窗或使用librosa的替代方法；3.检查参数一致性和代码执行顺序。</think>### 分步解决方案 #### 问题一：未解析的引用'hop_len' **原因分析** 在`_extract_mfcc`方法中直接使用`hop_len`变量，但该变量仅在`_preprocess`方法中定义，未保存为实例变量[^1]。 **数学原理** 帧移计算公式： $$ \text{hop\_len} = \left\lfloor \frac{\text{sr} \times t_{\text{hop}}}{1000} \right\rfloor $$ 其中$t_{\text{hop}}=10\text{ms}$，$\text{sr}=16000\text{Hz}$时： $$ \text{hop\_len} = \left\lfloor \frac{16000 \times 10}{1000} \right\rfloor = 160 $$ **解决方案** 1. 在`_preprocess`方法中将`hop_len`保存为实例变量： ```python def _preprocess(self): self.hop_len = int(self.config["hop_ms"] * self.config["sample_rate"] / 1000) ``` 2. 在`_extract_mfcc`中通过`self.hop_len`调用： ```python S = librosa.feature.melspectrogram( hop_length=self.hop_len, # 使用实例变量 # 其他参数保持不变 ) ``` #### 问题二：hamming函数导入错误 **原因分析** 未正确导入汉明窗函数。Python中需通过`scipy.signal`模块导入标准窗函数[^1]。 **数学表达式** 汉明窗定义： $$ w(n) = 0.54 - 0.46\cos\left(\frac{2\pi n}{N-1}\right),\quad 0 \leq n \leq N-1 $$ 其中$N$为窗长 **解决方案** 1. 添加导入语句： ```python from scipy.signal import hamming ``` 2. 修改分帧加窗代码： ```python # 分帧加窗 frames = librosa.util.frame(emphasized, frame_length=self.frame_len, hop_length=self.hop_len).T self.frames = frames * hamming(self.frame_len) # 使用导入的hamming函数 ``` #### 完整代码示例 ```python from scipy.signal import hamming class AudioProcessor: def __init__(self, config): self.config = config self.hop_len = None # 初始化实例变量 self.frame_len = None def _preprocess(self): """预处理流程""" # 预加重 emphasized = np.append(self.audio_data[0], self.audio_data[1:] - self.config["pre_emphasis"] * self.audio_data[:-1]) # 分帧参数计算 self.frame_len = int(self.config["frame_ms"] * self.config["sample_rate"] / 1000) self.hop_len = int(self.config["hop_ms"] * self.config["sample_rate"] / 1000) # 分帧加窗 frames = librosa.util.frame(emphasized, frame_length=self.frame_len, hop_length=self.hop_len).T self.frames = frames * hamming(self.frame_len) def _extract_mfcc(self): """改进的MFCC特征提取""" S = librosa.feature.melspectrogram( y=self.emphasized, sr=self.config["sample_rate"], n_fft=self.frame_len, # 保持与帧长一致[^1] hop_length=self.hop_len, n_mels=40 ) # 后续处理保持不变 ``` #### 参数一致性验证 $$ \begin{cases} \text{n\_fft} = \text{frame\_len} = 400\ (\text{当}\ t_{\text{window}}=25\text{ms},\ \text{sr}=16000\text{Hz}) \\ \text{hop\_length} = 160\ (\text{当}\ t_{\text{hop}}=10\text{ms}) \end{cases} $$ 确保帧长、窗长、傅里叶变换维度三者统一，避免信号截断或填充[^1]。