mfcc特征提取代码matlab实现

MFCC (Mel-frequency cepstral coefficients) 特征提取是一种广泛应用于语音识别和信号处理领域的预处理技术，它将音频信号转换成一组可用于机器学习分析的数值特征。在 MATLAB 中实现 MFCC 的基本步骤如下：

1. **加载音频数据**：首先需要读取音频文件并将其转换成一个数字信号。

[signal, Fs] = audioread('your_audio_file.wav');

2. **预加重**：通过高通滤波增强高频部分，通常使用一个斜坡滤波器（如 Hamming 或 Hanning 窗口）。

preEmphasis = [1 -0.97];
filteredSignal = filter(preEmphasis, 1, signal);

3. **分帧和窗函数应用**：将信号划分为固定长度的小段，并使用汉明窗等窗口函数来减少边缘效应。

frameSize = 0.025; % 25 ms
frameOverlap = 0.01; % 10 ms overlap
frames = buffer(filteredSignal, frameSize*Fs, frameOverlap*Fs, 'nodelay');
window = hamming(size(frames, 2));
frames = frames .* window;

4. **短时傅立叶变换 (STFT)**：计算每帧信号的频域表示。

winLength = round(frameSize * Fs); % FFT size
hopSize = round(frameOverlap * Fs);
[STFT, ~] = spectrogram(frames, hann(winLength), winLength, hopSize, Fs);

5. **梅尔滤波器组 (Mel Filterbank)**：将 STFT 转换到梅林频率尺度上，这一步模拟人耳对声音感知的特点。

melBank = melFilterBank(Fs, winLength, winLength/hopSize);
mfccCoeffs = abs(STFT) ./ sum(abs(STFT), 2, 'omitnan')';
mfccCoeffs = melBank * mfccCoeffs;

6. **离散余弦变换 (DCT)**：对得到的 Mel 频谱系数做 DCT 变换，保留前几个系数作为 MFCC 特征。

numCoeffs = 13; % 通常选择13个系数，也可以根据需求调整
mfccFeatures = dct(mfccCoeffs(:, 1:numCoeffs), 2);

7. **归一化**：为了提高稳定性，有时会对 MFCC 特征进行归一化，例如除以最大值或标准化。

最后，`mfccFeatures` 就包含了 MFCC 的特征向量。完整的代码会包括上述步骤，并可能包含其他选项如剔除直流分量、动态范围压缩等。