MFCC梅爾倒譜參數(shù)及matlab代碼(共4頁)

1、轉發(fā)：有關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2. mfcc的matlab代碼 1.在語音辨識（Speech Recognition）和語者辨識（Speaker Recognition）方面，最常用到的語音特征就是梅爾倒頻譜系數(shù)（Mel-scale Frequency Cepstral Coefficients，簡稱MFCC），此參數(shù)考慮到人耳對不同頻率的感受程度，因此特別適合用在語音辨識。下面簡單的介紹一下求解MFCC的過程。1.預強調(diào)（Pre-emphasis）：將語音訊號 s(n) 通過一個高通濾波器。 H(z)=1-a*（z-1） 系數(shù)其中 a 介于 0

2、.9 和 1.0 之間。若以時域的表達式來表示，預強調(diào)后的訊號 s2(n) 為 s2(n) = s(n) - a*s(n-1) 這個目的就是為了消除發(fā)聲過程中聲帶和嘴唇的效應，來補償語音信號受到發(fā)音系統(tǒng)所壓抑的高頻部分。（另一種說法則是要突顯在高頻的共振峰。）2.音框化（Frame blocking）：先將 N 個取樣點集合成一個觀測單位，稱為音框（Frame），通常 N 的值是 256 或 512，涵蓋的時間約為 2030 ms 左右。為了避免相鄰兩音框的變化過大，所以我們會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 個取樣點，通常 M 的值約是 N 的一半或 1/3。通常語音辨識

3、所用的音訊的取樣頻率為 8 KHz或 16 KHz，以 8 KHz 來說，若音框長度為 256 個取樣點，則對應的時間長度是 256/8000*1000 = 32 ms。3.漢明窗（Hamming window）：將每一個音框（frame）乘上漢明窗，以增加音框左端和右端的連續(xù)性（請見下一個步驟的說明）。假設音框化的訊號為 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.快速傅利葉轉換（Fast Fourier Transform, or FFT）：由于訊號在時域（Time domain）上的變化通常很難看出訊號的特性，所以通常將它轉換成頻域（Frequency domain）上的能量分布來觀察，不同的能量分布，就能代表不同語音的特性。所以在乘上漢明窗后，每個音框還必需再經(jīng)過 FFT 以得到在頻譜上的能量分布。 乘上漢明窗的主要目的，是要加強音框左端和右端的連續(xù)性，這是因為在進行 FFT 時，都是假設一個音框內(nèi)的訊號是代表一個周期性訊號，如果這個周期性不存在，F(xiàn)FT 會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的能量分布，造成分析上

5、的誤差。當然，如果我們在取音框時，能夠使音框中的訊號就已經(jīng)包含基本周期的整數(shù)倍，這時候的音框左右端就會是連續(xù)的，那就可以不需要乘上漢明窗了。但是在實作上，由于基本周期的計算會需要額外的時間，而且也容易算錯，因此我們都用漢明窗來達到類似的效果。5.三角帶通濾波器（Triangular Bandpass Filters）：將能量頻譜能量乘以一組 20 個三角帶通濾波器，求得每一個濾波器輸出的對數(shù)能量（Log Energy），共20個。必須注意的是：這 20 個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于頻率的感受度，由此也可以看出人耳對于頻率 f 的感受是呈對數(shù)變化的： 在低頻部分，人耳感受是比較敏銳 。在高頻部分，人耳的感受就會越來越粗糙 。三角帶通濾波器有兩個主要目的： 對頻譜進行平滑化，并消除諧波的作用，突顯原先語音的共振峰。（因此一段語音的音調(diào)或音高，是不會呈現(xiàn)在 MFCC 參數(shù)內(nèi)，換句話說，以 MFCC 為特征的語音辨識系統(tǒng)，并不會受到輸入語音的音調(diào)不同而有所影響。） 降低資料量。 6.離散余弦轉換（Discrete cosine transform, or DCT）：將上述的

7、20 個對數(shù)能量 Ek帶入離散余弦轉換，求出 L 階的 Mel- scale Cepstrum 參數(shù)，這里 L 通常取 12。離散余弦轉換公式如下： Cm=Sk=1Ncosm*(k-0.5)*p/N*Ek, m=1,2, ., L 其中 Ek 是由前一個步驟所算出來的三角濾波器和頻譜能量的內(nèi)積值，這里N 是三角濾波器的個數(shù)。由于之前作了 FFT，所以采用 DCT 轉換是期望能轉回類似 Time Domain 的情況來看，又稱 Quefrency Domain，其實也就是 Cepstrum（倒譜）。又因為之前采用 Mel- Frequency 來轉換至梅爾頻率，所以才稱之Mel-scale Ce

8、pstrum。 7.對數(shù)能量（Log energy）：一個音框的音量（即能量），也是語音的重要特征，而且非常容易計算。因此我們通常再加上一個音框的對數(shù)能量（定義為一個音框內(nèi)訊號的平方和，再取以 10 為底的對數(shù)值，再乘以 10），使得每一個音框基本的語音特征就有 13 維，包含了 1 個對數(shù)能量和 12 個倒頻譜參數(shù)。（若要加入其它語音特征以測試辨識率，也可以在此階段加入，這些常用的其它語音特征，包含音高、過零率、共振峰等。） 8.差量倒頻譜參數(shù)（Delta cepstrum）：雖然已經(jīng)求出 13 個特征參數(shù)，然而在實際應用于語音辨識時，我們通常會再加上差量倒頻譜參數(shù)，以顯示倒頻譜參數(shù)對時間的

9、變化。它的意義為倒頻譜參數(shù)相對于時間的斜率，也就是代表倒頻譜參數(shù)在時間上的動態(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，如果加上差量運算，就會產(chǎn)生 26 維的特征向量；如果再加上差量運算，就會產(chǎn)生 39 維的特征向量。一般我們在 PC 上進行的語音辨識，就是使用 39 維的特征向量。 2. %mfccfunction mfc=mfcc(x)%對輸入的語音序列x進行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變換長度為256，采樣頻率為8000HZ,對x 256點分

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);%預加重濾波器xx=double(x);xx=filter(1 -0.9375,1,xx);%語音信號分幀xx=enframe(xx,256,80);%計算每幀的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