如果你能识别出一个电话铃声，那么你就可以提取它并用它来构造一个匹配的过滤器。wiki 文章的开头是大量数学，但请查看示例部分。此外，Matlab 有一个页面描述了他们工具箱中的匹配滤波器。你真的应该试一试；它就像魔术一样工作。

在时域中，匹配滤波器是信号与已知模式的互相关（在这种情况下是振铃的记录）。作为互相关，它可以使用 DFT 有效地实现。匹配滤波器的输出是一个时间序列。

时间序列输出将具有一系列峰值，其位置对应于每个环的开始。您需要做的就是计算超过某个阈值的峰值数量。

如果环可能不同，但您可以保证它们是从一组有限的环中选择的（想象不同的电话运营商或其他东西），那么您可以使用一组匹配的过滤器。

有很多适用的解决方案。在我看来最简单的是“模板匹配”。对于此解决方案，您只需要：

1. 手动创建一个模板/多个模板。这需要你分段一些振铃信号。如果你有多个，你可以取这些信号的平均值。无论如何，让我们说这个模板信号是。$T=[T_0,T_1,\cdots,T_K]$
2. 对于给定的测试信号，您可以计算，这是此信号与您的模板之间的卷积，并且是的反转版本。$S=[S_0,S_1,\cdots,S_N]$$R=S\star T'$$T'=[T_K,\cdots,T_1,T_0]$$T$
3. 选择一个合理的阈值来判断一段单曲确实是“振铃”，最后应用非极大值抑制。

请注意，这只是对互相关进行模板匹配的一种方法（请参阅https://en.wikipedia.org/wiki/Cross-correlation）。您绝对可以使用其他标准，例如标准化互相关（参见http://docs.opencv.org/modules/imgproc/doc/object_detection.html?highlight=matchtemplate#matchtemplate）。

一个更复杂的解决方案可能是一个“环”分类器，它假设您有许多“环”样本，并且它们都具有相同的长度。一旦你有了这些训练样本，你就可以训练一个分类器（任何类型，从简单的逻辑回归到更复杂的深度神经网络分类器）。但是，此解决方案可能需要大量标记数据。

最后，更好的解决方案可能是“隐藏马尔可夫模型”和“递归深度神经网络”，它们太复杂，无法分几行讨论。我说这是一个更好的解决方案，因为这些是可以处理语音识别中更复杂的场景的通用模型：在语音识别的上下文中，“环”只不过是一个“机器词”，与“机器词”没有根本区别。英文单词'。