Какой параметр .wav использовать при обучении персептрона для проверки того, что файл в основном молчит

Question

Я адаптировал алгоритмы персептрона из этого великого поста: https://machinelearningmastery.com/implement-perceptron-algorithm-scratch-python/

Первоначально я планировал использовать .dBFS из AudioSegment, но, похоже, это не сработало - Тренировочная функция просто увеличивала уклон и зарплату. После этого я попытался возиться с max () и min () из SoundFile.

import argparse
import os
import wave
import soundfile as np
from pydub import AudioSegment

def dir_path(string):
    if os.path.isdir(string):
        return string
    else:
        raise NotADirectoryError(string)

# Make a prediction with weights
def predict(row, weights):
    activation = weights[0]
    for i in range(len(row) - 1):
        activation += weights[i + 1] * row[i]
    return 1.0 if activation >= 0.0 else 0.0

# Estimate Perceptron weights using stochastic gradient descent
def train_weights(train, l_rate, n_epoch):
    weights = [0.0 for i in range(len(train[0]))]
    for epoch in range(n_epoch):
        sum_error = 0.0
        for row in train:
            prediction = predict(row, weights)
            error = row[-1] - prediction
            sum_error += error ** 2
            weights[0] = weights[0] + l_rate * error
            for i in range(len(row) - 1):
                weights[i + 1] = weights[i + 1] + l_rate * error * row[i]
        print('>epoch=%d, lrate=%.3f, error=%.3f' % (epoch, l_rate, sum_error))
        print(weights)
    return weights

parser = argparse.ArgumentParser(description="Separating silent waves from louder waves")
parser.add_argument('-p', '--path', type=dir_path, metavar='', required=True, help="give path to the file with waves.")
args = parser.parse_args()

if __name__ == '__main__':
    os.chdir(args.path)
    print(os.getcwd() + "\n\n")
    training_list = []
    testing_list = []

    for root, sub, files in os.walk(args.path):
        for f in files:

            if 'wav' in f:
                abs_path = os.path.abspath(root)
                # Populate training list
                if abs_path.endswith('silence_training'):
                    x, fs = np.read(os.path.join(abs_path, f))
                    training_list.append([x.max(),x.min(), 0])
                elif abs_path.endswith('voiced_training'):
                    x, fs = np.read(os.path.join(abs_path, f))
                    training_list.append([x.max(),x.min(), 1])
                # Populate testing list
                elif abs_path.endswith('silence'):
                    x, fs = np.read(os.path.join(abs_path, f))
                    testing_list.append([x.max(), x.min(), 0])
                elif abs_path.endswith('voiced'):
                    x, fs = np.read(os.path.join(abs_path, f))
                    testing_list.append([x.max(), x.min(), 1])


l_rate = 0.1
n_epoch = 1000
weights = train_weights(training_list,l_rate, n_epoch) code here

Кто-нибудь знает хороший способ справиться с этим?