Mel頻率倒譜系數 - 語音特徵提取

Question

我目前正在進行一個與語音識別有關的項目，鼠標事件如右鍵單擊，左鍵單擊，雙擊等等將作爲語音命令給出。因此，作爲我的主管告訴我使用Mel頻率倒譜系數提取每個語音命令的特徵並將這些提取的特徵以LIBSVM格式存儲在文本文件中的第一步。我在互聯網上使用了一些參考文獻實施了MFCC。但我不確定這是否正確。我不確定MFCC的輸出。我計劃讓這樣的事情，當我說「右」

e.g -15.211534 8.230449 2.150475 4.000576 -0.037819 -1.083192 0.102314 0.232710 -0.813507 -0.349909 0.850858 

1. 有人能解釋一下放出來的王應MFCC
2. 獲得如何提取的特徵從MFCC存儲LIBSVM格式。
3. 有人可以幫我找到MFCC的正確的數學實現對我的問題。

Answer 1

當試圖分析語音時，大多數當代解決方案使用一系列MFCC係數，而不僅僅是一個。在一般情況下，得到MFCC是這樣的：

complexSpectrum = fft(signal) 
powerSpectrum = abs(complexSpectrum) ** 2 
filteredSpectrum = melFilterBank(powerSpectrum) 
logSpectrum = log(filteredSpectrum) 
dctSpectrum = dct(logSpectrum) 

，你這樣做對一個30毫秒的窗口，沿着以10ms步中的信號滑動。

至於準確的實現，你可以從C（sfbcep util）或Sphinx中編寫的代碼Spro中學習，如果你覺得Java比較熟悉的話。