diff --git a/mat翻译（学习音频）.py b/mat翻译（学习音频）.py
new file mode 100644
index 0000000..642eeac
--- /dev/null
+++ b/mat翻译（学习音频）.py
@@ -0,0 +1,180 @@
+#!/usr/bin/env python
+# -*- coding: utf-8 -*-
+"""
+有标注学习音频特征提取：读取“瓷空1.wav”（标注为“空”），提取五维特征+标签，保存MAT/PKL（适配深度学习）
+"""
+
+from pathlib import Path
+import numpy as np
+import scipy.io.wavfile as wav
+from scipy.io import savemat
+from scipy.signal import hilbert
+import librosa
+import matplotlib.pyplot as plt
+import os
+import pickle  # 用于保存PKL文件
+
+plt.rcParams['font.sans-serif'] = ['SimHei']      # 中文显示正常
+plt.rcParams['axes.unicode_minus'] = False        # 负号显示正常
+
+# ---------- 参数设定（核心：指定有标注的学习音频路径，标签自动识别） ----------
+WAV_FILE = r"D:\SummerSchool\sample\瓷空1.wav"  # 有标注的学习音频（文件名含“空”，自动识别标签）
+WIN_SIZE = 1024             # 帧长（与测试音频代码一致）
+OVERLAP = 512               # 帧移（与测试音频代码一致）
+STEP = WIN_SIZE - OVERLAP   # 帧步长（与测试音频代码一致）
+THRESH = 0.01               # 能量阈值（降低以确保检测到敲击片段，与测试音频代码一致）
+SEG_LEN_SEC = 0.2           # 每段音频长度（秒，与测试音频代码一致）
+# 标签映射（按深度学习习惯定义：“空”标注为0，后续可根据需求修改；若“实”则改为1）
+LABEL_MAP = {"空": 0, "实": 1}
+# 输出文件路径（默认保存在音频同目录，文件名含“学习”标识，便于区分）
+OUT_MAT = Path(WAV_FILE).parent / f"{Path(WAV_FILE).stem}_train_features.mat"
+OUT_PKL = Path(WAV_FILE).parent / f"{Path(WAV_FILE).stem}_train_features.pkl"
+
+# ---------- 工具函数（完全复用之前的逻辑，确保特征一致性） ----------
+def segment_signal(signal: np.ndarray, fs: int):
+    """按能量切分敲击片段（与测试音频代码完全一致）"""
+    if signal.ndim > 1:      # 双声道自动转单声道
+        signal = signal[:, 0]
+    signal = signal / (np.max(np.abs(signal)) + 1e-12)  # 音频归一化（避免幅值影响）
+
+    # 分帧并计算每帧能量
+    frames = librosa.util.frame(signal, frame_length=WIN_SIZE, hop_length=STEP).T
+    energy = np.sum(frames ** 2, axis=1)
+
+    # 筛选能量高于阈值的帧，定位“新敲击”起始点
+    idx = np.where(energy > THRESH)[0]
+    if idx.size == 0:
+        return []
+    # 相邻有效帧间隔>5帧时，视为新的敲击（避免连续帧重复计数）
+    hit_mask = np.diff(np.concatenate(([0], idx))) > 5
+    hit_starts = idx[hit_mask]
+
+    # 切分固定长度的片段（不足长度时取到音频末尾）
+    seg_len = int(round(SEG_LEN_SEC * fs))
+    segments = []
+    for start_frame in hit_starts:
+        start_sample = start_frame * STEP
+        end_sample = min(start_sample + seg_len, len(signal))
+        segments.append(signal[start_sample:end_sample])
+    return segments
+
+
+def extract_features(sig: np.ndarray, fs: int):
+    """提取五维特征（与测试音频代码完全一致，保证深度学习数据匹配）"""
+    sig = sig.flatten()
+    if sig.size == 0:  # 空片段防报错，返回0向量
+        return np.zeros(5, dtype=np.float32)
+
+    # 1. RMS（均方根：反映音频能量大小）
+    rms = np.sqrt(np.mean(sig ** 2))
+    # 2. 主频（频谱峰值对应的频率：反映敲击声的主要频率成分）
+    L = sig.size
+    freq = np.fft.rfftfreq(L, d=1 / fs)  # 频率轴
+    fft_mag = np.abs(np.fft.rfft(sig))    # 频谱幅值
+    main_freq = freq[np.argmax(fft_mag)]
+    # 3. 频谱偏度（反映频谱分布的不对称性：区分“空”“实”的关键特征之一）
+    spec_power = fft_mag
+    freq_centroid = np.sum(freq * spec_power) / (np.sum(spec_power) + 1e-12)  # 频谱质心
+    freq_spread = np.sqrt(np.sum(((freq - freq_centroid) ** 2) * spec_power) / (np.sum(spec_power) + 1e-12))  # 频谱展宽
+    skewness = np.sum(((freq - freq_centroid) ** 3) * spec_power) / ((np.sum(spec_power) + 1e-12) * (freq_spread ** 3 + 1e-12))
+    # 4. MFCC第一维均值（梅尔频率倒谱系数：反映音频的音色特征）
+    try:
+        mfcc = librosa.feature.mfcc(y=sig, sr=fs, n_mfcc=13)  # 提取13维MFCC
+        mfcc_mean = float(np.mean(mfcc[0, :]))  # 取第一维均值（最能区分音色）
+    except Exception:  # 异常情况（如片段过短）返回0
+        mfcc_mean = 0.0
+    # 5. 包络峰值（希尔伯特变换提取幅度包络：反映敲击声的衰减特性）
+    amp_envelope = np.abs(hilbert(sig))
+    env_peak = np.max(amp_envelope)
+
+    # 特征格式统一为float32（适配深度学习框架）
+    return np.array([rms, main_freq, skewness, mfcc_mean, env_peak], dtype=np.float32)
+
+# ---------- 主程序（核心：自动识别标签+特征+标签保存） ----------
+def main():
+    # 1. 检查音频文件是否存在
+    wav_path = Path(WAV_FILE)
+    if not wav_path.exists():
+        print(f"❌ 错误：音频文件 {WAV_FILE} 不存在！")
+        return
+    if wav_path.suffix != ".wav":
+        print(f"❌ 错误：{wav_path.name} 不是WAV格式！")
+        return
+
+    # 2. 读取音频（用librosa兼容更多格式，保持采样率不变）
+    audio, sr = librosa.load(wav_path, sr=None, mono=True)
+    print(f"✅ 成功读取学习音频：{wav_path.name}")
+    print(f"   采样率：{sr} Hz | 音频长度：{len(audio)/sr:.2f} 秒")
+
+    # 3. 切分有效敲击片段
+    segments = segment_signal(audio, sr)
+    if len(segments) == 0:
+        print(f"⚠️  未检测到有效敲击片段！可尝试降低THRESH（当前{THRESH}）或检查音频是否有敲击声。")
+        return
+    print(f"✅ 检测到 {len(segments)} 个有效敲击片段")
+
+    # 4. 提取特征+自动识别标签
+    features_list = []
+    labels_list = []
+    # 从文件名提取标注（“瓷空1.wav”含“空”，对应标签0）
+    file_stem = wav_path.stem  # 文件名（不含后缀）："瓷空1"
+    if "空" in file_stem:
+        label = LABEL_MAP["空"]
+        print(f"✅ 自动识别标注：{file_stem} → 标签 {label}（空）")
+    elif "实" in file_stem:
+        label = LABEL_MAP["实"]
+        print(f"✅ 自动识别标注：{file_stem} → 标签 {label}（实）")
+    else:
+        print(f"⚠️  文件名 {file_stem} 不含'空'或'实'，手动指定标签为0（空）！")
+        label = LABEL_MAP["空"]  # 手动兜底，可根据实际修改
+
+    # 批量提取特征并匹配标签（每个片段对应一个标签）
+    for i, seg in enumerate(segments, 1):
+        feat = extract_features(seg, sr)
+        features_list.append(feat)
+        labels_list.append(label)
+        print(f"   片段{i:02d}：特征提取完成（维度：5）")
+
+    # 5. 整理为矩阵格式（适配深度学习输入）
+    features_matrix = np.vstack(features_list)  # 特征矩阵：(片段数, 5)
+    labels_array = np.array(labels_list, dtype=np.int8).reshape(-1, 1)  # 标签矩阵：(片段数, 1)
+    print(f"\n✅ 特征与标签整理完成")
+    print(f"   特征矩阵形状：{features_matrix.shape}（行=片段数，列=5维特征）")
+    print(f"   标签矩阵形状：{labels_array.shape}（行=片段数，列=1）")
+
+    # 6. 保存为MAT文件（兼容MATLAB深度学习框架）
+    savemat(OUT_MAT, {
+        "matrix": features_matrix,  # 特征矩阵（与之前训练集格式一致）
+        "label": labels_array       # 标签矩阵（与之前训练集格式一致）
+    })
+    print(f"✅ MAT文件已保存：{OUT_MAT}")
+
+    # 7. 保存为PKL文件（兼容Python深度学习框架，如PyTorch/TensorFlow）
+    with open(OUT_PKL, "wb") as f:
+        pickle.dump({
+            "matrix": features_matrix,  # 特征矩阵
+            "label": labels_array       # 标签矩阵（含标注信息）
+        }, f)
+    print(f"✅ PKL文件已保存：{OUT_PKL}")
+
+    # 8. 特征可视化（可选，帮助直观查看特征分布）
+    plt.figure(figsize=(12, 8))
+    feature_names = ["RMS（能量）", "主频（Hz）", "频谱偏度", "MFCC均值", "包络峰值"]
+    for i in range(5):
+        plt.subplot(2, 3, i+1)
+        plt.plot(range(1, len(features_matrix)+1), features_matrix[:, i], "-o", color="#1f77b4", linewidth=1.5, markersize=4)
+        plt.xlabel("片段编号", fontsize=10)
+        plt.ylabel("特征值", fontsize=10)
+        plt.title(f"特征{i+1}：{feature_names[i]}", fontsize=11, fontweight="bold")
+        plt.grid(True, alpha=0.3)
+    # 标签信息标注
+    plt.subplot(2, 3, 6)
+    plt.text(0.5, 0.6, f"音频文件：{wav_path.name}", ha="center", fontsize=11)
+    plt.text(0.5, 0.4, f"标注标签：{label}（{'空' if label==0 else '实'}）", ha="center", fontsize=11)
+    plt.text(0.5, 0.2, f"有效片段数：{len(features_matrix)}", ha="center", fontsize=11)
+    plt.axis("off")
+    plt.tight_layout()
+    plt.show()
+
+if __name__ == "__main__":
+    main()
\ No newline at end of file