MFCC梅爾倒譜參數(shù)及matlab代碼(共4頁(yè))

1、轉(zhuǎn)發(fā)：有關(guān)MFCC梅爾倒譜參數(shù)的資料。內(nèi)容：1. Mfcc梅爾倒譜參數(shù)參數(shù)知識(shí)2. mfcc的matlab代碼 1.在語(yǔ)音辨識(shí)（Speech Recognition）和語(yǔ)者辨識(shí)（Speaker Recognition）方面，最常用到的語(yǔ)音特征就是梅爾倒頻譜系數(shù)（Mel-scale Frequency Cepstral Coefficients，簡(jiǎn)稱(chēng)MFCC），此參數(shù)考慮到人耳對(duì)不同頻率的感受程度，因此特別適合用在語(yǔ)音辨識(shí)。下面簡(jiǎn)單的介紹一下求解MFCC的過(guò)程。1.預(yù)強(qiáng)調(diào)（Pre-emphasis）：將語(yǔ)音訊號(hào) s(n) 通過(guò)一個(gè)高通濾波器。 H(z)=1-a*（z-1） 系數(shù)其中 a 介于 0

2、.9 和 1.0 之間。若以時(shí)域的表達(dá)式來(lái)表示，預(yù)強(qiáng)調(diào)后的訊號(hào) s2(n) 為 s2(n) = s(n) - a*s(n-1) 這個(gè)目的就是為了消除發(fā)聲過(guò)程中聲帶和嘴唇的效應(yīng)，來(lái)補(bǔ)償語(yǔ)音信號(hào)受到發(fā)音系統(tǒng)所壓抑的高頻部分。（另一種說(shuō)法則是要突顯在高頻的共振峰。）2.音框化（Frame blocking）：先將 N 個(gè)取樣點(diǎn)集合成一個(gè)觀測(cè)單位，稱(chēng)為音框（Frame），通常 N 的值是 256 或 512，涵蓋的時(shí)間約為 2030 ms 左右。為了避免相鄰兩音框的變化過(guò)大，所以我們會(huì)讓兩相鄰因框之間有一段重迭區(qū)域，此重迭區(qū)域包含了 M 個(gè)取樣點(diǎn)，通常 M 的值約是 N 的一半或 1/3。通常語(yǔ)音辨識(shí)

3、所用的音訊的取樣頻率為 8 KHz或 16 KHz，以 8 KHz 來(lái)說(shuō)，若音框長(zhǎng)度為 256 個(gè)取樣點(diǎn)，則對(duì)應(yīng)的時(shí)間長(zhǎng)度是 256/8000*1000 = 32 ms。3.漢明窗（Hamming window）：將每一個(gè)音框（frame）乘上漢明窗，以增加音框左端和右端的連續(xù)性（請(qǐng)見(jiàn)下一個(gè)步驟的說(shuō)明）。假設(shè)音框化的訊號(hào)為 S(n), n = 0,N-1。N為frame的大小，那么乘上漢明窗后為 S(n) = S(n)*W(n)，此 W(n) 形式如下： W(n, a) = (1 - a) - a *cos(2pn/(N-1)，0nN-1 ？不同的 a 值會(huì)產(chǎn)生不同的漢明窗。一般我們都取 a

4、= 0.46。4.快速傅利葉轉(zhuǎn)換（Fast Fourier Transform, or FFT）：由于訊號(hào)在時(shí)域（Time domain）上的變化通常很難看出訊號(hào)的特性，所以通常將它轉(zhuǎn)換成頻域（Frequency domain）上的能量分布來(lái)觀察，不同的能量分布，就能代表不同語(yǔ)音的特性。所以在乘上漢明窗后，每個(gè)音框還必需再經(jīng)過(guò) FFT 以得到在頻譜上的能量分布。 乘上漢明窗的主要目的，是要加強(qiáng)音框左端和右端的連續(xù)性，這是因?yàn)樵谶M(jìn)行 FFT 時(shí)，都是假設(shè)一個(gè)音框內(nèi)的訊號(hào)是代表一個(gè)周期性訊號(hào)，如果這個(gè)周期性不存在，F(xiàn)FT 會(huì)為了要符合左右端不連續(xù)的變化，而產(chǎn)生一些不存在原訊號(hào)的能量分布，造成分析上

5、的誤差。當(dāng)然，如果我們?cè)谌∫艨驎r(shí)，能夠使音框中的訊號(hào)就已經(jīng)包含基本周期的整數(shù)倍，這時(shí)候的音框左右端就會(huì)是連續(xù)的，那就可以不需要乘上漢明窗了。但是在實(shí)作上，由于基本周期的計(jì)算會(huì)需要額外的時(shí)間，而且也容易算錯(cuò)，因此我們都用漢明窗來(lái)達(dá)到類(lèi)似的效果。5.三角帶通濾波器（Triangular Bandpass Filters）：將能量頻譜能量乘以一組 20 個(gè)三角帶通濾波器，求得每一個(gè)濾波器輸出的對(duì)數(shù)能量（Log Energy），共20個(gè)。必須注意的是：這 20 個(gè)三角帶通濾波器在梅爾頻率（Mel Frequency）上是平均分布的，而梅爾頻率和一般頻率 f 的關(guān)系式如下： mel(f)=2595*lo

6、g10(1+f/700) 或是 mel(f)=1125*ln(1+f/700) 梅爾頻率代表一般人耳對(duì)于頻率的感受度，由此也可以看出人耳對(duì)于頻率 f 的感受是呈對(duì)數(shù)變化的： 在低頻部分，人耳感受是比較敏銳 。在高頻部分，人耳的感受就會(huì)越來(lái)越粗糙 。三角帶通濾波器有兩個(gè)主要目的： 對(duì)頻譜進(jìn)行平滑化，并消除諧波的作用，突顯原先語(yǔ)音的共振峰。（因此一段語(yǔ)音的音調(diào)或音高，是不會(huì)呈現(xiàn)在 MFCC 參數(shù)內(nèi)，換句話說(shuō)，以 MFCC 為特征的語(yǔ)音辨識(shí)系統(tǒng)，并不會(huì)受到輸入語(yǔ)音的音調(diào)不同而有所影響。） 降低資料量。 6.離散余弦轉(zhuǎn)換（Discrete cosine transform, or DCT）：將上述的

7、20 個(gè)對(duì)數(shù)能量 Ek帶入離散余弦轉(zhuǎn)換，求出 L 階的 Mel- scale Cepstrum 參數(shù)，這里 L 通常取 12。離散余弦轉(zhuǎn)換公式如下： Cm=Sk=1Ncosm*(k-0.5)*p/N*Ek, m=1,2, ., L 其中 Ek 是由前一個(gè)步驟所算出來(lái)的三角濾波器和頻譜能量的內(nèi)積值，這里N 是三角濾波器的個(gè)數(shù)。由于之前作了 FFT，所以采用 DCT 轉(zhuǎn)換是期望能轉(zhuǎn)回類(lèi)似 Time Domain 的情況來(lái)看，又稱(chēng) Quefrency Domain，其實(shí)也就是 Cepstrum（倒譜）。又因?yàn)橹安捎?Mel- Frequency 來(lái)轉(zhuǎn)換至梅爾頻率，所以才稱(chēng)之Mel-scale Ce

8、pstrum。 7.對(duì)數(shù)能量（Log energy）：一個(gè)音框的音量（即能量），也是語(yǔ)音的重要特征，而且非常容易計(jì)算。因此我們通常再加上一個(gè)音框的對(duì)數(shù)能量（定義為一個(gè)音框內(nèi)訊號(hào)的平方和，再取以 10 為底的對(duì)數(shù)值，再乘以 10），使得每一個(gè)音框基本的語(yǔ)音特征就有 13 維，包含了 1 個(gè)對(duì)數(shù)能量和 12 個(gè)倒頻譜參數(shù)。（若要加入其它語(yǔ)音特征以測(cè)試辨識(shí)率，也可以在此階段加入，這些常用的其它語(yǔ)音特征，包含音高、過(guò)零率、共振峰等。） 8.差量倒頻譜參數(shù)（Delta cepstrum）：雖然已經(jīng)求出 13 個(gè)特征參數(shù)，然而在實(shí)際應(yīng)用于語(yǔ)音辨識(shí)時(shí)，我們通常會(huì)再加上差量倒頻譜參數(shù)，以顯示倒頻譜參數(shù)對(duì)時(shí)間的

9、變化。它的意義為倒頻譜參數(shù)相對(duì)于時(shí)間的斜率，也就是代表倒頻譜參數(shù)在時(shí)間上的動(dòng)態(tài)變化，公式如下： Cm(t) = St=-MMCm(t+t)t / St=-MMt2 這里 M 的值一般是取 2 或 3。因此，如果加上差量運(yùn)算，就會(huì)產(chǎn)生 26 維的特征向量；如果再加上差量運(yùn)算，就會(huì)產(chǎn)生 39 維的特征向量。一般我們?cè)?PC 上進(jìn)行的語(yǔ)音辨識(shí)，就是使用 39 維的特征向量。 2. %mfccfunction mfc=mfcc(x)%對(duì)輸入的語(yǔ)音序列x進(jìn)行mfcc參數(shù)提取，返回mfcc參數(shù)和一階差分mfcc參數(shù)，mel濾波器的階數(shù)為24%fft變換長(zhǎng)度為256，采樣頻率為8000HZ,對(duì)x 256點(diǎn)分

10、為一幀%bank=melbankm(24,256,8000,0,0.5,m);%歸一化mel濾波器組參數(shù)bank=full(bank);bank=bank/max(bank(:);%DCT系數(shù)，12*24for k=1:12 n=0:23; dctcoef(:,k)=cos(2*n+1)*k*pi/(2*24);end%歸一化倒譜提升窗口w=1+6*sin(pi*1:12./12);w=w/max(w);%預(yù)加重濾波器xx=double(x);xx=filter(1 -0.9375,1,xx);%語(yǔ)音信號(hào)分幀xx=enframe(xx,256,80);%計(jì)算每幀的mfcc參數(shù)for i=1:size(xx,1) % y=xx(i,:); s=y.*hamming(256); t=abs(fft(s); t=t.2;%計(jì)算能量 c1=dctcoef*log(bank*t(1:129);%dctcoef為dct系數(shù)，bank歸一化mel濾波器組系數(shù) c2=c1.*w;%w為歸一化倒譜提升窗口 m(i,:)=c2;end%差分系數(shù)dtm=zeros