MFCC特征提取過程中，各步驟的概念詳解

1.為什麼用mfcc特征：

在梅爾軸上，聽覺是等距離的、等差的，但聽覺軸上不是。聽覺音高是梅爾，一個是響度，一個是音高，一起用時是最好的聽覺特征，MFCC隻用了響度。有一個假設是mfcc特征的均值（mean）和标準差（std）都是一樣的。

2.為何預加重：

聲門氣流波，每倍頻音下降12分貝。這是我們聲帶的特征。經過咽腔，口腔進行共振，最後通過嘴唇發出。在唇齒之間進行唇嗆輻射時，每倍頻音增加6分貝。抵消之後是：每倍頻音下降6分貝。即：

• 100hz時是0db  
• 200hz是-6db
• 400hz是-12db

是以我們采用預加重，對高頻提升一下，盡量讓整個頻譜平坦一點。

3.預加重：

在預加重公式中，傳輸函數如下：

假設我們采集到的樣本點是sp= 1,2,3,1,2,3,1,2,3。 其中，a一般取0.95-0.97之間的值，z-1就是上一個時刻，z-2就是上上個時刻，這裡的“1”不是數值1，而是要代進去sp樣本點的值。要會用傳輸函數。

4.分幀：

語音識别、語音處理時，通常每秒取40幀。對于16k采樣率的語音，指每秒鐘取16k個點，就是16000點。人耳是0.1秒才能感覺到語音。

每10ms處理一次，就是每跳過160點處理1幀，即每幀距離是160個點，幀的長度就是第0點開始取。第一幀開始處理，就是第0點開始取，第1次從0點開始取，第二次從160點開始取，第三次從320點開始取……每次取400個點開始分析，即第0-第399點。

因為我們要對它做傅裡葉變換。傅裡葉變換要求我們做頻譜分析時，信号必須是平穩信号，即他的統計信号處處不變。分析視窗取多少？25ms。那麼為什麼取25ms？在25ms内人的口腔被認為是固定不動的。這就是平穩的。超過25ms就變異了。為什麼256或512？因為我們做快速傅裡葉變換時，需要2的整數倍個0。加000000000…… 112個0。然後快速傅裡葉變換結束後，分幀結束，後面進行加窗漢明窗。FFT(快速傅裡葉變換)的點，得出的點取一半，隻有一半的點是有用的，8k采樣率隻取一半，4k的點是有用的，其他的都是低頻段。這個地方在每次提特征的時候設定采樣率時都要注意一下： --sample-frequency=8000 就是采樣率取8000。

5.加窗：

為什麼要加窗？加窗會導緻什麼？

加上任何窗函數都會對它的頻譜産生扭曲，因為它會洩露頻譜，洩露的頻譜主要都集中在它真正的頻率附近，旁邊的頻譜不會受到影響。

在這裡需要複習一個高數的知識點：第一類間斷點和第二類間斷點。不再詳細提及，直接查資料就行。

兩個概念：共振峰、諧波。在圖上要知道哪個地方是共振峰，哪個地方是諧波。上一篇部落格有提到（按時間排序）。怎麼畫出來呢？取實部的模，實部的平方+虛部的開平方，把它的模取對數。或者用 db。

6.離散餘弦變換DCT：

前面的數值非常大，後面的數值越來越小，幾乎為0。後面的就可以抛棄掉。圖檔壓縮原理就是DCT：後面的抛棄後，就得到壓縮圖檔。使用DCT它有兩個好處，第一個好處：後面的幾乎為0可以丢掉；第二個好處：加的梅爾窗有重疊，去除參數之間的相關性，提高識别效率。