我没有得到的是DCT（离散余弦变换）步骤：在此步骤中我可以获得什么信息？此步骤的视觉效果是什么？
#1 楼
您可以将DCT视为压缩步骤。通常，对于MFCC，您将采用DCT，然后仅保留前几个系数。这与将DCT用于JPEG压缩基本上是相同的原因。选择DCT是因为它们的边界条件在这些类型的信号上效果更好。让我们将DCT与傅立叶变换进行对比。傅里叶变换由具有整数个周期的正弦曲线组成。这意味着，所有傅立叶基函数都以相同的值开始和结束-它们不能很好地表示以不同值开始和结束的信号。请记住，傅立叶变换假设有一个周期性扩展：如果您想象一张纸上的信号，则傅立叶变换希望将那张纸卷成圆柱体，使左右两侧相遇。频谱的形状大致像一条具有负斜率的线（这很典型）。傅立叶变换将不得不使用许多不同的系数来适应这种形状。另一方面，DCT的余弦的周期数为半整数。例如，有一个DCT基函数，看起来像那条带有负斜率的线。它不假设周期延长（而是均匀延长），因此会更好地拟合该形状。一旦计算出梅尔频谱，就可以以类似于人类听力工作方式的方式来表示敏感频谱。这种形状的某些方面比其他方面更相关。通常，更大的总体频谱形状比频谱中嘈杂的精细细节更重要。您可以想象画一条平滑的线来遵循频谱形状，而画出的平滑线可能会告诉您有关信号的信息。
当您使用DCT并丢弃较高的系数时，您将采用此频谱形状，并且仅保留对于表示此平滑形状更重要的部分。如果您使用傅立叶变换，那么将重要信息保持在低系数中就做得不好。低阶系数将代表频谱形状的一些简单方面，因此它们将具有良好的功能，而您舍弃的高阶系数更像噪声，并且在训练上并不重要。此外，对梅尔光谱幅值本身进行训练可能不会那么好，因为在不同频率处的特定幅度并不像光谱的一般形状那么重要。
评论
$ \ begingroup $
也有兴趣阅读有关相关问题的答案。
$ \ endgroup $
–埃里克·普拉顿
16年5月10日在2:39
#2 楼
理解MFCC的关键是在链接的文章中的句子开头：它们是从音频剪辑的倒谱表示中派生出来的...
MFCC就像是对数频谱频谱的倒频谱。
信号$ x（t）$的倒频谱就是：
$$ C（z）= {\ cal F} ^ {-1}（\ log（| {\ cal F}（x（t））| ^ 2）$$
其中$ {\ cal F} $是傅立叶变换，而$ {\ cal F} ^ {-1} $是其逆函数。操作意味着原始信号的卷积在倒频谱中显示为简单的加法运算。
这种优势可以延续到MFCC中，尽管提升并不像在标准倒频谱中那样直接。 br /> MFCC的不同之处在于，使用离散余弦变换（DCT）作为最终变换而不是傅里叶逆变换。结果系数是实数值，这使得后续处理和存储更加容易。
评论
我将对MFCC或至少一个链接进行简要说明：en.wikipedia.org/wiki/Mel-frequency_cepstral_coefficient