02(3) 语音特征的提取2

9.IDFT

10.MFCCs

在以HMM为基础的ASR中作为声学模型特征广泛使用

与频谱特征相比，相关性小，更易建模

用12维的特征描述一个25ms的数据帧，是非常紧凑的表示

对于标准的基于HMM的系统，MFCCs比滤波器组或频谱图特征产生更好的ASR性能

对噪声不鲁棒

？11.关于PLP特征

12.动态特征

算差分

？13.特征变换

正交变换：

DCT、PCA

最大化类间可分性：

LDA/Fisher‘s  Linear Discriminant、HLDA(异方差性LDA)

14.特征归一化

CMN：倒谱均值归一化

CVN：倒谱方差归一化

实时归一化：计算移动平均线

说明：

加？表示：

未深入了解，此处仅做记录

时间： 2024-08-07 21:06:37

02(3) 语音特征的提取2的相关文章

语音特征的提取

一.语音特征 对于语音识别来说,好的语音特征应该: 包含区分音素的有效信息:良好的时域分辨率,良好的频域分辨率: 分离基频F0以及它的谐波成分: 对不同说话人具有鲁棒性: 对噪音或信道失真具有鲁棒性: 有着良好的模式识别特性:低维特征,特征独立(GMM需,NN无需). 二.提取MFCC特征的整体流程 三.提取MFCC特征 (一)A/D转换(采样) (二)预加重 为消除声门激励.口鼻辐射.传播时高频衰减更大的影响. (三)加窗 长帧窗对应窄带语谱图,时域分辨率低,频域分辨率高,语谱图线条横向明显:

OpenCV4Android 特征点提取演示

OpenCV4Android 特征点提取演示 前面通过两天的时间,也只是熟悉了基本的环境搭建,明确了基本的部件流程,接下来需要熟悉API,进行实际的应用编程.本篇尝试获取图片的SIFT特征点,并学习相应的API及图像处理基本知识. 目标: - 定义Native method 接口 - Bitmap 和 opencv Mat 之间的转换 - 通过org.opencv.core.Mat.getNativeObjAddr()把地址传递给底层的C++代码处理,然后更新对应地址的对象 关键代码: Andr

压缩跟踪（CT）代码详细学习_模块2(特征的提取和计算)

0.下载安装Opencv,当前版本为249. 1.下载Python,当前OPencv版本为249,不过其支持的最新版本的Python为2.7,所以可以下载276版本. 2.下载numpy,开始我使用了1.6,没有通过,错误如图.下载了最新的1.8.1版本. 3.将Opencv安装目录下opencv\build\python\2.7\x86中的cv2.pyd复制到python安装目录Lib\site-packages下. 4.找到opencv源文件内的draw.py运行. 压缩跟踪(CT)代码详细

BP神经网络的数据分类——语音特征信号分类

BP网络的训练过程包括以下几个步骤: 步骤一:网络初始化. 步骤二:隐含层输出计算. 步骤三:输出层输出计算. 步骤四:误差计算. 步骤五:权值更新. 步骤六:阈值更新. 步骤七:判断算法迭代是否结束,若没有结束,返回步骤二. 语音特征信号识别: 基于BP神经网络的语音特征信号分类算法建模包括BP神经网络构建.BP神经网络训练和BP神经网络分类三步,算法流程如图1-4所示:

特征点提取之Harris角点提取法

1. 特征点提取的意义 2.角点 3. Harris角点检測的基本原理 4.Harris角点检測算法的步骤 5.Harris角点提取算法设计 <span style="font-size:18px;">function [ptx,pty] = HarrisPoints(ImgIn,threshold) % Harris角点提取算法 %计算图像亮度f(x,y)在点(x,y)处的梯度----------------------------------------- fx = [

OpenCV中特征点提取和匹配的通用方法

OpenCV在新版本中把很多C语言的代码都重新整理成了C++代码,让我们在使用的时候更加方便灵活.其中对于特征点的提取和匹配,充分体现了C++的强大.下面直接用例子来说明.假设我们有两幅图:1.bmp和2.bmp,要从中提取体征点并匹配,代码如下: // Load image from file IplImage *pLeftImage = cvLoadImage("1.bmp", CV_LOAD_IMAGE_GRAYSCALE);IplImage *pRightImage = cvL

使用Opencv2.4.9进行SIFT特征点提取和匹配

主要使用的类:FeatureDetector FeatureExtractor FeatureMatcher#include <opencv2/core/core.hpp> ? 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 <em id="__mceDel">

第二篇：使用Spark对MovieLens的特征进行提取

前言 在对数据进行了初步探索后,想必读者对MovieLens数据集有了感性认识.而在数据挖掘/推荐引擎运行前,往往需要对数据预处理.预处理的重要性不言而喻,甚至比数据挖掘/推荐系统本身还重要. 然而完整的数据预处理工作会涉及到:缺失值,异常值,口径统一,去重,特征提取等等等等,可以单写一本书了,本文无法一一介绍. 本文仅就特征提取这一话题进行粗略讨论并展示. 类别特征提取 在很多场景下,数据集的很多特征是类型变量,比如MovieLens里面的职业类型.这样的变量无法作为很多算法的输入,因为这类变

Opencv 各种特征点提取和匹配

opencv 特征点的提取和匹配 1. 当中的数据结构 KeyPoint这数据结构中有如下数据结构: class KeyPoint { Point2f pt; //坐标 float size; //特征点邻域直径 float angle; //特征点的方向,值为[零,三百六十),负值表示不使用 float response; int octave; //特征点所在的图像金字塔的组 int class_id; //用于聚类的id angle:角度,表示关键点的方向,SIFT算法通过对关键点周围邻域