梅尔倒频谱

✍ dations ◷ 2025-09-12 06:10:00 #信号处理

在信号处理中,梅尔倒频谱(Mel-Frequency Cepstrum, MFC)系一个可用来代表短期音频的频谱,其原理基于用非线性的梅尔刻度(mel scale)表示的对数频谱及其线性余弦转换(linear cosine transform)上。

梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients, MFCC)是一组用来创建梅尔倒频谱的关键系数。由音乐信号当中的片段,可以得到一组足以代表此音乐信号之倒频谱(Cepstrum),而梅尔倒频谱系数即是从这个倒频谱中推得的倒频谱(也就是频谱的频谱)。与一般的倒频谱不同 ,梅尔倒频谱最大的特色在于,于梅尔倒频谱上的频带是均匀分布于梅尔刻度上的,也就是说,这样的频带相较于一般所看到、线性的倒频谱表示方法,和人类非线性的听觉系统更为接近。例如:在音频压缩的技术中,便常常使用梅尔倒频谱来处理。

梅尔倒频谱系数通常是用以下方法得到的:

获取梅尔倒频谱的方法众多,上述只是其中一种。

另外,ETSI在2000年左右有定义一套专为移动电话设计的梅尔倒频谱系数算法。

梅尔倒频谱系数通常可以用于作为语音识别系统中的特征质观察,例如:可以自动辨认一个人透过电话说的数字。梅尔倒频谱系数通常也可以作为声纹识别(Speaker Recognition),也就是、用来识别某段语音频号的发话者是谁的技术。

梅尔倒频谱系数在近年来于音乐分类(music genre classification)相关应用的领域也逐渐崭露头角,例如查找一段音乐的相似程度等。

梅尔频率倒谱系数MFCC和感知线性预测PLP:不同于LPC等通过对人的发声机理的研究而得到的声学特征,Mel倒谱系数MFCC和感知线性预测PLP是受人的听觉系统研究成果推动而导出的声学特征。对人的听觉机理的研究发现,当两个频率相近的音调同时发出时,人只能听到一个音调。临界带宽指的就是这样一种令人的主观感觉发生突变的带宽边界,当两个音调的频率差小于临界带宽时,人就会把两个音调听成一个,这称之为屏蔽效应。Mel刻度是对这一临界带宽的度量方法之一。MFCC的计算首先用FFT将时域信号转化成频域,之后对其对数能量谱用依照Mel刻度分布的三角滤波器组进行卷积,最后对各个滤波器的输出构成的向量进行离散余弦变换DCT,取前N个系数。PLP仍用德宾法去计算LPC参数,但在计算自相关参数时用的也是对听觉激励的对数能量谱进行DCT的方法。

梅尔倒频谱系数并非相当稳定,在计算当中,一组系数其实相当容易受到外加的噪声影响;为了对抗噪声,通常会将梅尔倒频谱系数在语音辨认上进行正规化(normalization)的动作,以减少噪声造成的影响。

另外,有些研究者会将梅尔倒频谱系数基础的算法设计的更加顽强,例如:在进行馀弦转换前增加对数化梅尔系数的能量值至一个合适的范围,以减少诸如噪声等低能量项对于整个系数结果的影响。

一般认为Paul Mermelstein 是主要致力于发展梅尔倒频谱的人,然而 Mermelstein 本人却将主要的概念功劳归给 Bridle 和 Brown for the idea:

Bridle 和 Brown 运用了一组十九个、由余弦转换导出的频谱型的系数,转换的输入值是信号在一组在频带上有非均匀间隔分布的带通滤波器后的输出。

滤波器的间隔是呈现对数分布的;因此,一般称之为梅尔式的导频谱系数

通常此两组起源都会被人当作引用使用。

另外,许多作者包括Mermelstein都认为,梅尔倒频谱中这样以频谱为基准的余弦转换函数,非常接近早期用于语音表征和辨认、对对数化频谱进型的主成分分析;关于这部分相关的信息,可参考Pols和它同事的研究。

1. 对该信号做傅立叶变换


X = F T x {\displaystyle X=FT{x}}


2. 根据下面公式算出Y


Y = log ( k = f m 1 f m + 1 | X | 2 B m ) {\displaystyle Y=\log \left(\sum _{k=f_{m-1}}^{f_{m+1}}\left|X\right|^{2}B_{m}\right)}


其中 B m {\displaystyle B_{m}} 是梅尔频率倒频谱的遮罩


B m = { 0 for  k < f m 1  and  k > f m + 1 k f m 1 f m f m 1 for  f m 1 k f m f m + 1 k f m + 1 f m for  f m k f m + 1 {\displaystyle B_{m}={\begin{cases}0&{\mbox{for }}k<f_{m-1}{\mbox{ and }}k>f_{m+1}\\{\cfrac {k-f_{m-1}}{f_{m}-f_{m-1}}}&{\mbox{for }}f_{m-1}\leq k\leq f_{m}\\{\cfrac {f_{m+1}-k}{f_{m+1}-f_{m}}}&{\mbox{for }}f_{m}\leq k\leq f_{m+1}\end{cases}}}


3.对Y做IDCT得 c x {\displaystyle c_{x}} ,因为Y是偶函数,故用IDCT(反离散余弦变换)取代IDFT(反离散傅立叶变换)


c x = 1 M m = 1 M Y c o s ( π n ( m 1 / 2 ) M ) {\displaystyle c_{x}={\frac {1}{M}}\sum _{m=1}^{M}Ycos\left({\cfrac {\pi n(m-1/2)}{M}}\right)}


相关

  • NiS硫化镍是一种无机化合物,化学式为NiS。它在自然界中以针镍矿的形式存在。硫化镍可由传统的镍盐与硫化氢反应的方法制备:镍盐溶液和硫化铵溶液反应,也能得到α-NiS,它刚沉淀出来
  • 辟支佛辟支佛(梵语:प्रत्येक बुद्ध,转写:Pratyeka-buddha,巴利语:Pacceka-buddha),佛教术语,其梵语音译为钵剌翳迦佛陀,俗语音译为辟支迦佛陀,或简称为辟支迦佛、辟支等,意译为独
  • 佤邦佤邦(佤语:Mēng Vax),正式名称为缅甸第二特区(佤邦),是缅甸掸邦境内的一个自治区域,首府是邦康。佤邦位于阿佤山区,曾为缅甸共产党的根据地。1989年4月11日,当地将领鲍有祥宣布脱离缅
  • ɱ唇齿鼻音是辅音的一种,用于一些口语中。唇齿鼻音在国际音标的符号是⟨ɱ⟩,X-SAMPA音标的符号则是⟨F⟩。国际音标中的⟨ɱ⟩符号是在小楷拉丁字母⟨m⟩的右下方加上一个向左
  • 帕拉纳克市帕拉纳克市(菲律宾语:Lungsod ng Parañaque),是马尼拉大都会内的城市,建城于1572年,初以捕渔、制盐、耕田、制鞋等为业;今有居民552,660人(2007年人口调查)。坐标:14°28′N 121°1′
  • 彩画彩画或彩绘可以指:
  • 空间电梯空间电梯(英语:Space elevator),又称轨道电梯,由于顶部直达外空间,所以又名天梯,是一种低成本将有效载荷从地球或其它星球的表面运输到空间的解决方案。空间电梯的概念最初出现在18
  • 艾芙隆海湾社区公司艾芙隆海湾社区公司(AvalonBay Communities, Inc.)是一家美国的公寓管理公司,2007年时,该公司被列入标准普尔500指数。截至2019年1月31日,该公司旗下拥有78365间公寓房间,分布于新
  • 四川广播电视台新闻频道四川广播电视台新闻频道(SCTV-4),中国西部首家24小时滚动播出的专业新闻频道。雷宇、敬思秋等2018年9月26日,四川电视台新闻资讯频道开始高清播出。2019年7月27日晚,该频道播出记
  • 马塞利诺·坎帕纳尔马塞利诺·巴克罗·冈萨雷斯·德尔里奥(西班牙语:Marcelino Vaquero González del Río,1931年2月13日-2020年5月25日),通称马塞利诺·坎帕纳尔(Marcelino Campanal),西班牙男子足球