提取声音信号的MFCC作为特征，利用CNN对五种动物信号完成分类。

倒谱分析与MFCC系数matlab分析

第一部分 基本理论 第2章 听觉机理和汉语语音基础 2. 1 概述 2.2 听觉机理和心理 2.2.1 语音听觉器官的生理结构 2.2.2 语音听觉的心理 2.3 发音的生理机构与过程 2.4 汉语语音基本特性 2.4. 1 元音和辅音 2.4.2 声母和韵母 2.4.3 音调(字调) 2.4.4 音节(字)构成 2.4.5 汉语的波形特征 2.4.6 音的频谱特性 2.4.7 辅音的频谱特性 2.4.8 汉语语音的韵律特征 2.5 小结 参考文献 第3章 语音信号处理方法--时域处理 3.1 概述 3.2 语音信号的数字化和预处理 3.2.1 语音信号的数字化 3.2.2 语音信号的预处理 3.3 短时平均能量和短时平均幅度 3.3.1 短时平均能量 3.3.2 短时平均幅度 3.4 短时过零分析 3.4. 1 短时平均过零率 3.4.2 短时上升过零间隔 3.5 短时自相关函数和平均幅度差函数 3.5.1 短时自相关函数 3.5.2 短时平均幅度差函数 3. 6 高阶统计量 3.6.1 单个随机变量情况 3.6.2 多个随机变量及随机过程情况 3.6.3 高斯过程的高阶累积量 3.7 小结 参考文献 第4章 语音信号处理方法--时频处理 4. 1 概述 4.2 短时傅里叶变换 4.2.1 短时傅里叶变换的定义和物理意义 4.2.2 基于短时傅里叶变换的语谱图及其时频分辨率 4.2.3 短时傅里叶谱的采样 4. 3 小波变换 4.3.1 连续小波变换 4.3.2 二进小波变换 4.3.3 离散小波变换 4.3.4 多分辨分析 4.3.5 正交小波包 4.4 Wigner分布 4.4.1 Wigner分布的定义 4.4.2 Wigner分布的一般性质 4.4.3 两个信号和妁Wigner分布 4.4.4 Wigner分布的重建 4.4.5 Wigner分布的实现 4.5 小结 参考文献 第5章 语音信号处理方法--倒谱同态处理 5.1 概述 5.2 复倒谱和倒谱 5.2.1 定义 5.2.2 复倒谱的性质 5.3 语音信号的倒谱分析与同态解卷积 5.3.1 叠加原理和广义叠加原理 5.3.2 同态解卷特征系统和同态解卷反特征系统 5.3.3 同态解卷系统 5.3.4 语音的复倒谱及同态解卷 5.4 避免相位卷绕的算法 5.4.1 最小相位信号法 5.4.2 递归法 5.5 小结 参考文献 第二部分 语音识别系统 第6章 语料库 6.1 概述 6.2 语料库的基本特征 6.3 语料库的类型 6.4 语音语料库 6.4.1 语音语料库建立、收集和标注的意义 6.4.2 语音语料库的建立和收集要点 6.4.3 标准语音库语音特性描述 6.5 语料库的设计举例--863汉语普通话语音合成语料库的设计 6.5.1 语料库设计原则 6.5.2 语音库的标注 6.5.3 与语音语料库相关的文字语料库标注 6.6 小结 参考文献 第7章 语音识别的预处理 7.1 概述 7.2 语音识别单元的选取 7.2.1 汉语音节 7.2.2 汉语的基本音素 7.2.3 汉语半音节 7.3 自动分段--端点检测技术 7.3.1 基于能量的端点检测 7.3.2 基于LPC-10声码器的端点检测 7.3. 3 基于信息熵的语音端点检测 7.3.4 基于频带方差的端点检测 7.3.5 基于倒谱特征的带噪语音信号端点检测 7.3.6 基于HMM的端点检测方法 7.3.7 基于分形技术的端点检测 7；3.8 基于自相关相似距离的端点检测 7.3.9 基于迟滞编码的端点检测 7.3.10 实时端点检测算法 7.4 小结 参考文献 第8章 语音信号特征参数 8.1 概述 8.2 基音周期 8.2.1 自相关法及其改进 8.2.2 并行处理法 8.2.3 倒谱法 8.2.4 简化逆滤波法 8.3 线性预测参数 8.3.1 线性预测信号模型 8.3.2 线性预测误差滤波 8.3.3 语音信号的线性预测分析 8.3.4 线性预测分析的解法 8.3.5 斜格法及其改进 8.4 线谱对(LSP)参数 8.4.1 线谱对分析原理 8.4.2 线谱对分析的求解 8.5 LPCC参数 8.6 MFCC参数 8.7 ASCC参数 8.8 感觉加权的线性预测(PLP)特征 8.8.1 PLP参数 8.8.2 RASTA-PLP参数 8.9 动态差分参数 8.10 高阶信号谱类特征 8.10.1 WV谱的定义及其主要性质 8.10.2 WV谱计算式的一些变形 8.11 小结 参考文献 第9章 特征变换 9.1 概述 9.2 线性判别分析(LDA) 9. 2.1 线性判别分析的概念 9.2.2 广义线性判别函数 9.2.3 Fisher线性判别 9.2.4 多类问题 9.3 主分量分析(PCA) 9.3.1 基于K-L变换的主分量分析 9.3. 2 随机向量的K-L展开 9.3. 3 基于K-L变换的降维 9. 4 独立分量分析(ICA) 9.4. 1 引言 9.4. 2 线性独立分量分析 9.4.3 线性独立分量分析算法 9.4.4 独立分量分析的预处理 9.4.5 非线性独立分量分析 9.5 小结 参考文献 第10章 语音识别的模型 10.1 概述 10.2 动态时间规整(DTW) 10.2.1 动态规划技术(DP) 10. 2.2 DTW算法的改进 10.3 隐马尔可夫模型(HMM) 10.3.1 隐马尔可夫模型的定义 10.3. 2 HMM中的3个基本问题及其解决方案 10. 3.3 隐马尔可夫模型的类型 10.3.4 HMM算法实现的问题 10.4 分类模型(SVM) 10.4.1 引言 10.4.2 学习问题 10.4.3 学习过程一致性的条件 10.4. 4 学习过程收敛速度的界 10.4. 5 结构风险最小归纳原理 10.4.6 支持向量机 10.5 人工神经网络 10.5.1 引言 10.5.2 神经元的基本模型 10.5.3 前向网络 10.5.4 反馈网络 10.6 高斯混合模型(GMM) 10.6.1 高斯混合模型的定义 10.6.2 参数调整算法--EM算法 10.7 小结 参考文献 第三部分 语音识别中关键处理技术 第11章 说话人自适应和说话人归一化技术 11.1 概述 11.2 自适应方式的分类 11.3 MLLR算法介绍 11.3.1 语音特征空间的划分 11.3.2 参数的估计 11.3.3 对均值矢量的变换 11. 4 MAP算法介绍 11.4.1 MAP算法准则 11.4.2 MAP算法公式推导 11.4.3 MAP算法讨论 11.5 说话人归一化技术 11.5.1 说话人归一化技术原理 11.5.2 声道长度归一化(VTLN) 11.6 小结 参考文献 第12章 噪声抑制 12.1 概述 12.2 基于小波变换的噪声抑制 12.2.1 利用小波变换去除周期性噪声 12.2.2 利用小波变换去除冲激噪声 12.2.3 利用小波变换去除宽带噪声 12.2.4 小波去噪方法的分析 12.3 基于EVRC编码的噪声抑制 12.4 基于HMM模型的噪声补偿 12.5 小结 参考文献 第13章 信道补偿 13.1 概述 13.2 稳健语音识别技术 13.2.1 稳健语音识别的提出 13.2.2 稳健语音识别的研究现状 13.3 信道补偿技术的主要方法 13.3.1 经验补偿技术 13.3.2 盲补偿 13.3.3 基于特征及模型的补偿 13.4 信道补偿技术在语音识别中的应用 13.4.1 信道补偿技术在汽车内语音识别中的应用 13.4.2 基于信道补偿的电话语音识别 13.5 小结 参考文献 第四部分语音识别应用 第14章 说话人识别 14.1 概述 14.2 说话人识别的基本原理 14.2.1 说话人识别系统的典型结构 14.2.2 技术原理 14.3 说话人识别的特征选择 14.3.1 说话人识别系统中常用的特征 14.3.2 特征参数的统计评价 14.4 说话人识别的主要方法 14.4.1 模板匹配法 14.4.2 概率统计方法 14.4.3 辨别分类器方法 14.4.4.混合方法 14.5 判决规则与性能评价标准 14.5.1 说话人辨认 14.5.2 说话人确认(检测) 14.6 说话人识别中的稳健技术 14.7 系统举例 14.7.1 GMM说话人辨认算法 14.7.2 SVM-GMM混合模型 14.7.3 CMM-UBM说话人确认 14.8 小结 参考文献 第15章 关键词识别 15.1 概述 15.2 关键词识别及其与连续语音识别的关系 15.3 关键词识别原理 15.3.1 关键词识别系统组成 15.3.2 关键词识别的基本问题 15.3.3 关键词识别系统的主要技术难点 15.4 搜索策略 15.4.1 语音起始和结束点的粗判 15.4.2 帧同步的Viterbi解码算法 15.4.3 加入驻留惩罚的改进Viterbi解码算法 15.4.4 语法节点处的路径合并 15.4.5 回溯 15.5 识别结果的确认 15.5.1 置信度的原理 15.5.2 利用反词模型的拒识方法 15.5.3 利用识别结果本身信息的拒识方法 15.6 系统实现 15.6.1 训练和识别系统框图 15.6.2 训练系统的具体实现 15.6.3 识别系统的具体实现 15.7 小结 参考文献 第16章 语言辨识 16.1 概述 16.1.1 语言辨识的原理 16.1.2 语言辨识技术研究发展的历史 16.2 语言辨识所需要的有用信息 16.3 针对自动语言辨识的知觉研究 16.4 语言辨识的主要方法 16.4.1 频谱相似性方法 16.4.2 基于韵律信息的方法 16.4.3 基于音素识别的方法 16.4.4 基于多语言语音单元的方法 16.4.5 单词层次方法 16.4.6 基于连续语音识别的方法 16.4.7 元音系统模型 16.5 语言辨识系统举例 16.5.1 基于GMM-UBM模型的语言辨识系统 16. 5.2 基于最小分类误差准则的语言辨识系统 16.5.3 基于说话人聚类和高斯混合模型的语言辨识系统 16.5.4 基于时频主分量分析和高斯混合模型的语言辨识系统 16.5.5 基于高斯混合二元模型的语言辨识系统 16.6 语言辨识系统评估 16.7 小结 参考文献 第17章 连续语音识别 17.1 概述 17.2 连续语音识别整体模型 17.3 声学模型 17.3.1 语音识别单元的选取 17.3.2 基于予词单元HMM的训练 17.4 连续语音识别中的搜索策略 17.4.1 传统的帧同步算法 17.4.2 基于统计知识的帧同步搜索算法原理 17.4.3 受词法约束的词搜索树 17.4.4 连续语音识别中的双层搜索网络 17.5 语言模型 17.5.1 基于规则的方法 17.5.2 基于统计的方法 17.5.3 N-gram模型的平滑 17.5.4 基于文法规则的方法和基于统计的方法相结合 17.6 小结 参考文献 附录 英汉名词对照

1、MFCC概述 在语音识别（Speech Recognition）和话者识别（Speaker Recognition）方面，最常用到的语音特征就是梅尔倒谱系数（Mel-scale FrequencyCepstral Coefficients，简称MFCC）。根据人耳听觉机理的研究发现，人耳对不同频率的声波有不同的听觉敏感度。从200Hz到5000Hz的语音信号对语音的清晰度影响较大。两个响度不等的声音作用于人耳时，则响度较高的频率成分的存在会影响到对响度较低的频率成分的感受，使其变得不易察觉，这种现象称为掩蔽效应。由于频率较低的声音在内耳蜗基底膜上行波传递的距离大于频率较高的声音，故一般来说

通过波形文件数据，进行MFCC特征提取，做相关滤波、加窗、fft变换等，得到13维mfcc特征，若在13维基础上继续做一阶二阶差分可得到24维mfcc特征

matlab说话代码使用matlab中的MFCC算法进行说话人语音识别 根据他的声音检测说话者。 在这个项目中，我们主要处理文本相关的说话人识别系统，即说话人必须说出特定的单词来检测他的声音。 笔记： 文件mfcc.m，vec2frames.m，trifbank.m的版权归Kamil Wojcicki所有。 Kamil Wojcicki版权所有（c）2011，保留所有权利。 如果满足以下条件，则允许以源代码和二进制形式进行重新分发和使用，无论是否经过修改，都可以： 重新分发源代码必须保留上述版权声明，此条件列表和以下免责声明。 二进制形式的重新分发必须在分发随附的文档和/或其他材料中复制上述版权声明，此条件列表以及以下免责声明 未经事先特别书面许可，不得使用德克萨斯大学达拉斯分校的名称或其贡献者的名称来认可或促销从该软件衍生的产品。 版权持有者和贡献者按“原样”提供此软件，不提供任何明示或暗示的担保，包括但不限于针对特定目的的适销性和适用性的暗示担保。 版权拥有者或贡献者在任何情况下均不对任何直接，间接，偶发，特殊，专有或后果性的损害（包括但不限于，替代商品或服务的购买，使用，数据，或

DFT的matlab源代码MFCC自动语音识别算法的实现 用于自动语音识别（ASR）的梅尔频率倒谱系数（MFCC）和动态时间规整（DTW）算法的Python 2.7实现。 方法 从.wav文件读取音频数据和采样频率 帧信号 将窗口功能应用于框架（默认值=汉明） 计算帧的DFT 计算每个DFT仓的周期图功率谱密度估计 应用梅尔频率滤波器组进行信号 对每个滤波器内的能量求和，并以10为底的对数 取每个滤波器的DCT 保持系数[1:13] 计算参考向量和输入向量的DTW最佳路径和欧式距离 去做 噪音门 预加重/提升 特征向量数据库 音频记录/播放（ audio.py ） 多线程MFCC提取 创建MFCC提取程序作为类？

matlab说话代码语音识别系统 这是关于使用MATLAB实现信号分析和语音识别系统。 特征 Speech_recognition_1.m 音频信号图 语音起点和终点检测 离散傅立叶变换 信号预加重 信号压缩（线性预测编码） Speech_recognition_2.m 特征提取（MFCC） 使用失真矩阵和动态规划的语音识别 数据 该项目中使用的数据是通过人工记录的。 “ 1、2、4、5、6”的声音分别录制了两次，分为2组。 重复录音主要用于语音识别部分，一组已知，用于测试以对语音进行分类。 结果 输出保存在./result目录中。 包括：信号波，DFT波，梅尔倒谱，点检测结果，识别结果。

处理语音信号的MFCC计算_倒谱计算_DCT系数_绘制Mel滤波器组的频率响应曲线,MATLAB2013b测试。

语音处理类，应该是加州圣迭戈大学流出来的。包含了MFCC AMDF 等语音提取算法 Feature0.95