在本科信号系统课程中学习过傅里叶变换，可将信号时域波形转化为频域。为什么要进行域转换呢？因为大部分信号在传输过程中可能会受到外界因素的干扰（可以理解为"**噪声**"），这种干扰在时域上表现得不太明显，因此可以通过傅立叶变换将原来难以处理的时域信号转换成了易于分析的频域信号（信号的频谱）。 **傅立叶原理**表明：任何连续测量的时序或信号，都可以表示为不同频率的正弦波信号的无限叠加。而根据该原理创立的傅立叶变换算法利用直接测量到的原始信号，以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位。和傅立叶变换算法对应的是反傅立叶变换算法。该反变换从本质上说也是一种累加处理，这样就可以将单独改变的正弦波信号转换成一个信号。

该程序能够实现语音信号处理中的短时倒谱分析，包括复倒谱、倒谱、Mel倒谱系数MFCC、lpc倒谱、lpcMel倒谱系数，线性预测误差序列的倒谱以及对应的倒谱距离。并在程序中指明了这些参数的用途，给出了算法程序仿真和对应的结果图。

倒谱分析与MFCC系数matlab分析

该程序提供了计算连续语音信号倒谱参数的方法，参数包括：复倒谱、实倒谱（倒谱）、MFCC倒谱、以及对应的倒谱距离。其中，倒谱距离包括对数频谱距离、倒谱距离和MFCC倒谱距离。程序每一部分都有对应的程序，只要编译就可以查看图形。其中还简单分析了造成处理性能差异的原因，并提供了后续解决的思路。以及对每个参数都阐明了其基本用途。

本函数计算灰度或 RGB 彩色图像的倒谱。 该光谱对于分析图像非常有用，并且适合用于机器学习目的的图像预处理。

Cepstral analysis 倒谱分析 complex cepstral 复倒谱 实倒谱是序列的傅里叶变换的幅度的实对数的傅里叶反变换 代码每一步含有注释，方便理解和学习

在人类语音中，有两种方法可以构成我们的单词。 这些声音分为浊音和清音。 对于浊音部分，我们的喉咙就像一个传递函数。 元音包含在此类别中。 清音部分描述了语音中类似噪声的声音。 这些是用我们的嘴和舌头（而不是我们的喉咙）发出的声音，例如“f”音、“s”音和“th”音。 通常在计算倒谱之后，我们想要提升（即，在倒谱域）。 当我们举重时，我们将传递函数和激励信号分开。 传递函数通常在图的开头显示为陡峭的斜线。 激发表现为周期性峰值出现后大约 3 到 9 毫秒。

目前的代码是一个 Matlab 函数，它提供了以下计算： 1) 单边实倒谱； 2) quefrency 向量。 为了说明函数的用法，给出了一个例子。 为方便起见，输入和输出参数在函数的开头给出。 该代码基于以下描述的理论： [1] D. Childers、D. Skinner、R. Kemerait。 “倒谱：处理指南”。 IEEE会议论文集。 65，第 10 期，1977 年 10 月，第 1428-1443 页。 [2] U. Zolzer。 DAFX：数字音频效果。 奇切斯特，约翰威利父子公司，2011 年。 [3] J. Benesty、M. Sondhi、Y. Huang。 Springer 语音处理手册。 柏林，斯普林格，2008 年。

实现信号的倒谱分析和同态滤波处理

语音信号的倒谱分析是语音信号处理的关键技术之一，特别是在特征提取中有特别的作用。