我对这种信号处理非常陌生。请帮助
#1 楼
只是为了弄清楚-此属性不是基础，而是重要。在使用DCT代替DFT进行频谱计算时，这是根本的区别。为什么要进行倒谱均值归一化
在说话人识别中，我们要消除任何声道效果（声道的冲激响应，音频路径，房间等）。假设输入信号为$ x [n] $且信道脉冲响应由$ h [n] $给出，则记录的信号为两者的线性卷积：
$$ y [n] = x [n] \ star h [n] $$
通过傅立叶变换，我们得到：
$$ Y [f] = X [f] \ cdot H [ f] $$
，因为FT的卷积乘法等价特性-这就是为什么它在此步骤中具有如此重要的FFT的原因。
$$ Y [q] = \ log Y [f] = \ log \ left（X [f] \ cdot H [f] \ right）= X [q ] + H [q] $$
，因为：$ \ log（ab）= \ log a + \ log b $。显然，$ q $是货币。可能会注意到，通过在时域中进行卷积倒谱，我们最终在倒谱（querency）域中进行了加法运算。
什么是倒谱均值归一化？
现在我们知道，在倒频谱域中，任何卷积失真都由加法表示。我们假设它们都是固定的（这是一个很强的假设，因为声道和声道的响应没有改变），并且固定的语音部分可以忽略不计。我们可以观察到，对于第i个帧，真实值为：
$$ Y_i [q] = H [q] + X_i [q] $$
我们得到所有帧的平均值
$$ \ dfrac {1} {N} \ sum_ {i} Y_i [q] = H [q] + \ dfrac {1} {N} \ sum_ { i} X_i [q] $$
定义差异：
$$ \ begin {array}
＆R_i [q]＆= Y_i [q]- \ dfrac {1} {N} \ sum_ {j} Y_j [q] \\
＆= H [q] + X_i [q]-\ left（H [q] + \ dfrac {1} {N } \ sum_ {j} X_j [q] \ right）\\
＆= X_i [q]-\ dfrac {1} {N} \ sum_ {j} X_j [q] \\
\结束{array} $$
最后，我们去除了通道失真的信号。将以上所有方程式简化为英语：
计算倒频谱
从每个系数中减去平均值
除以方差，还可以选择除以方差以执行倒谱均值归一化。
是否必须进行倒谱均值归一化？
不是强制性的，尤其是当您试图在单个环境中识别一位讲话者时。实际上，它甚至会恶化您的结果，因为附加噪声容易导致错误：
$$ y [n] = x [n] \ star h [n] + w [n] $$
$$ Y [f] = X [f] \ cdot H [f] + W [f] $$
$$ \ log Y [f] = \ log \ left [X [f] \ left（H [f] + \ dfrac {W [f]} {X [f]} \ right）\ right] = \ log X [f] + \ log \ left （H [f] + \ color {red} {\ dfrac {W [f]} {X [f]}} \ right）$$
在较差的SNR条件下，标记项可能会超过估计值。
尽管执行CMS，通常可以获得很少的额外收益。如果您从系数的导数中获得更高的性能提升，那么您的识别率就会真正提高。最终决定权取决于您，尤其是还有很多其他方法可用于改善语音识别系统。
评论
$ \ begingroup $
@mun：很高兴。为什么不将对问题的答案标记为已接受，这样就可以消除新用户限制？
$ \ endgroup $
–jojek♦
2014年12月10日上午11:12
$ \ begingroup $
@mun：恭喜！现在，您发布更多链接，对问题和答案+标记帖子投票。
$ \ endgroup $
–jojek♦
2014年12月10日上午11:17
$ \ begingroup $
@jojek ..我对所有这些都是新手。但很高兴我解决了我的问题。
$ \ endgroup $
–mun
2014年12月10日上午11:19
$ \ begingroup $
@mun：那我绝对建议您快速浏览
$ \ endgroup $
–jojek♦
2014-12-10 11:28
$ \ begingroup $
在最后一个答案中，我无法真正理解“从系数导数中获得的性能提升”。你能给一些简单的解释吗？非常感谢
$ \ endgroup $
–王帅
15年8月13日在8:03
评论
可以在不使用滤波器组的情况下将频率直接转换为melscale在MFCC过程中工作吗？