倒谱分析与mfcc系数--倒谱计算与显示_机器学习语音识别中的特征提取MFCC和PLP...

倒谱分析和MFCC都是机器学习语音识别中的常用特征提取方法。倒谱分析是一种用于分析信号频率特征的方法，它将信号看作是由多个正弦波叠加而成的，然后通过傅里叶变换将信号从时域转换为频域，再对频域信号进行对数变换得到倒谱系数。倒谱系数可以用来描述信号的谐波结构，以及音高、声音的清晰程度等特征。

而MFCC是一种基于人耳听觉模型的特征提取方法。它首先对信号进行预处理，包括预加重、分帧、加窗等步骤，然后将每一帧信号转换到梅尔频率域上，再对梅尔频率域信号进行离散余弦变换（DCT）得到MFCC系数。MFCC系数可以用来描述声音的音调、音色、语音的清晰度等特征。

PLP（Perceptual Linear Prediction）也是一种基于人耳听觉模型的特征提取方法，它与MFCC类似，但是在梅尔频率域上采用线性预测分析（LPC）方法得到特征参数。

在机器学习语音识别中，倒谱分析和MFCC通常是首选的特征提取方法，而PLP在某些情况下也会被使用。