本工程采用vc++6.0编写的MFC工程，开发了一个GUI界面。特征提取采用MFCC算法，识别部分采用的是VQ识别算法，很辛苦才编出来的，希望能给大家带来帮助。
不能运行不要积分喔！
2021-05-26 15:04:07
4.7MB
1
在语音信号处理中，常用的语音特性是基于Mel频率的倒谱系数（MFCC）以及一些语音信号的固有特征，如共振峰和基音频率等。倒谱可以较好地将语音信号中的激励信号和声道响应分离，并只需要用十几个倒谱系数就能较好地描述语言信号的声道响应，在语音信号处理中占有很重要的位置。本论文设计了基于倒谱的语音特性参数提取算法，并在Matlab中予以实现。
2021-05-23 20:29:57
813KB
1
在语音识别系统中，特征参数提取尤为重要，Mel倒谱参数（MFCC）算法是将语音从时域变换到倒谱域上，MFCC能更充分地描述了人耳听觉系统非线性地特点，性能上要明显优于之前的LPCC。
2021-05-23 15:03:44
859B
1
老外实现的信号处理算法库
1.Various input signal sources
2.Windowing and filtering
3.FFT-related transformations
4.Feature extraction (including MFCC and HFCC)
5.Pattern matching using Dynamic Time Warping (DTW)
2021-05-13 16:25:47
245KB
1
想学习mfcc是如何计算获得，并用代码实现（该项目是tensorflow提供的语音唤醒例子下）
而tensorflow1 中两步获取mfcc，只能获取到中间语谱图(spectrogram)变量, 而当我想要获取mfcc计算过程中的加窗、梅尔滤波器等的相关信息，是极难获取的，需要很强的代码功底。最近刚好在学习tensorflow2 ，就用tf2 手动实现了分步骤提取出mfcc的过程
2021-05-13 15:21:46
6KB
1
MFCC特征提取过程：
1）先对语音进行预加重、分帧和加窗：
2）对每一个短时分析窗，通过FFT得到对应的频谱；
3）将上面的频谱通过Mel滤波器组得到Mel频谱；
4）在Mel频谱上面进行倒谱分析
2021-05-11 15:31:38
607KB
1
端点检测
-预加重-
fourier变换定义
-取成一维语音数据
-MFCC
神经网络部分-
2021-05-09 21:48:47
27KB
1
由MFCC得到乐器音频信号的短时功率谱；再得到乐器音频信号的短时过零率；与原乐器音频信号——同一类乐器音频信号的各个特征谱（图）相比较初步判断出该音频属于什么乐器；利用DTW（动态时间归整）比较各类乐器的MfCC和短时过零率的匹配距离数据，判断音频属于什么乐器
2021-05-08 21:59:35
60.15MB
1