一、MFC六大关键技术1、MFC初始化----寻找main函数 C++规定，全局对象的构造将比main或WinMain函数更早。 首先是全局构造 CObject构造函数 -> CCmdTarget -> CWinThread -> CWinApp -> theApp构造函数 然后进入WinMain函数
转载
2023-07-05 21:47:27
81阅读
Arduino内带Bootloader程序，是系统上电后运行的第一段代码，它就像PC机BIOS中的程序，启动就进行自检，配置端口等，当然单片机就是靠烧写熔丝位来设定上电从boot区启动的，使用这个程序就可以直接把从串口发来的程序存放到flash区中。我们在使用Arduino编译环境下载程序时，就先让单片机复位，启动Bootloader程序引导串口发过来的程序顺利写入flash区中，flash可以重
一、简介MFCC(Mel-frequency cepstral coefficients):梅尔频率倒谱系数。梅尔频率是基于人耳听觉特性提出来的， 它与Hz频率成非线性对应关系。梅尔频率倒谱系数(MFCC)则是利用它们之间的这种关系，
原创
2021-07-05 13:33:06
408阅读
# 使用Python计算MFCC特征
MFCC（Mel频率倒谱系数）是一种常用的音频特征提取方法，广泛应用于语音识别、音频处理、音乐信息检索等领域。本文将介绍如何使用Python计算MFCC特征，并提供代码示例。
## 什么是MFCC？
MFCC是一种基于Mel频率划分的音频特征表示方法。它的主要思想是模拟人耳对声音的感知机制，通过加权的倒谱系数来表示音频信号的特征。MFCC具有良好的特征表
原创
2023-07-18 16:46:17
349阅读
在任意一个Automatic speech recognition 系统中，第一步就是提取特征。换句话说，我们需要把音频信号中具有辨识性的成分提取出来，然后把其他的乱七八糟的信息扔掉，例如背景噪声啊，情绪啊等等。
原创
2021-07-05 15:27:39
1060阅读
GMM算法
第一章引子假设放在你面前有5篮子鸡蛋，每个篮子有且仅有一种蛋，这些蛋表面上一模一样，就是每一种蛋涵盖有且只有一种维生素，分别是A、B、C、D、E。这个时候，你需要估计这五个篮子的鸡蛋的平均重量μ。 首先有个总的假设： 假设每一种维生素的鸡蛋的重量都服从高斯分布。 这个时候，因为每个篮子的鸡蛋包含有且只有一种，并且彼此之间相同的维生素，即每个篮子的鸡蛋都服从相同的分布，这个时候
转载
2023-08-31 10:07:46
249阅读
看了很多博文，包括《统计学习知识》和西瓜书上对GMM算法的推导，总有些重要的步骤被略去（比如从公式一推到公式二，书上直接给出结果，却没有具体步骤），导致理解整个算法非常困难。后来幸运地发现一篇博文，使用了对我而言易于理解的语言，重要把整个推导过程疏通成功，最后在纸上手推了一遍，真是酣畅淋漓！算法实现很简单，结构跟K-均值形似，参数的推导过程不用体现在代码上，直接根据推导出来的公式计算就
转载
2023-11-18 10:11:51
138阅读
本文所涉及的内容的先修知识：1、概率统计相关知识，统计机器学习；KL散度；信息熵；2、拉格朗日乘子法；3、KMeans聚类算法、混合高斯分布模型（GMM）和隐马尔可夫（HMM）模型。首先，EM算法的E是，Expectation，指的是期望；M代表的是Max。就如这个算法的名字本身所表现的那样，EM算法分两步走，E步骤和M步骤。在正式讲EM算法之前，我们先来考虑一个GMM的例子。现在我们有一堆数据样
转载
2023-12-05 04:07:45
90阅读
✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。 ?个人主页：Matlab科研工作室?个人信条：格物致知。更多Matlab仿真内容点击?智能优化算法 神经网络预测 雷达通信 无线传感器
原创
2023-05-30 12:23:29
148阅读
音频分析中，MFCC参数是经典参数之一。之前对于它的计算流程和原理，大体上是比较清楚的，所以仿真的时候，都是直接调用matlab的voicebox工具或者开发的时候直接调用第三方库。最近想整理一个纯C语言版本的MFCC函数，发现第三方开源的一部分是C++的，有些纯C的开源代码是针对语音固定了某些参数，不太灵活。干脆自己动手写一下，发现matl
转载
2023-10-09 16:37:14
320阅读
近期上了付费的语音识别相关课程，算是第一次系统学习语音识别相关知识，关于GMM-HMM模型还是没有理解得很透彻，写出来捋一捋思路。 一.单音素GMM-HMM模型 图一
一段2秒的音频信号，经过【分帧-预加重-加窗-fft-mel滤波器组-DCT】，得到Fbank/MFCC特征作为输入信号，此处若以帧长为25ms，帧移为25ms为例，可以得到80帧的输入信号，这80帧特征序列就
转载
2024-06-24 21:19:48
83阅读
# 使用Python进行MFCC滤波的入门指南
在音频处理领域，梅尔频率倒谱系数（MFCC，Mel-Frequency Cepstral Coefficients）是一种常用的特征提取方法。它通常用于语音识别、音乐分析和其他音频相关的任务。本文将详细介绍如何在Python中实现MFCC滤波，旨在帮助刚入行的小白了解整个流程以及每一步所需的代码。
## 流程概述
下面是实现MFCC滤波的基本步
# MFCC（梅尔频率倒谱系数）简介及Python实现
梅尔频率倒谱系数（MFCC）是语音信号处理中一种广泛使用的特征提取技术，尤其在语音识别和音频处理领域。本文将介绍什么是MFCC，为什么它如此重要，并提供一个使用Python实现MFCC的代码示例。
## 什么是MFCC？
MFCC是一种用于音频处理的特征，通常用于表示人声的频率特征。MFCC是通过将原始音频信号变换到梅尔频率尺度来计算的
## MFCC提取的完整流程
在现代语音处理领域，Mel频率倒谱系数（MFCC）是非常重要的特征提取方法。无论是语音识别，还是音频分析，MFCC都是一个常用的工具。在这篇文章中，我将向你解释如何在Python中提取MFCC，并为你提供详细的步骤和示例代码。
### 流程概述
提取MFCC的过程主要包括以下几个步骤：
| 步骤 | 描述 |
MFC学习总结报告--基于LoveString的软件复刻功能实现：1、 实现了输入Text文本，能转出对应的UTF8、Unicode、UniBigEnd、ANSI的编码。2、 实现了输入Unicode编码，能解析回对应的Text以及其他编码。（其他输入原理相同，亦可以转换）3、 实现了按钮实现文本复制进剪切板。为按钮添加图片。4、 实现了菜单栏添加新
转载
2024-09-18 19:33:53
24阅读
注：本文主要参考Andrew Ng的Lecture notes 8，并结合自己的理解和扩展完成。
GMM简介
GMM(Gaussian mixture model) 混合高斯模型在机器学习、计算机视觉等领域有着广泛的应用。其典型的应用有概率密度估计、背景建模、聚类等。
图1 GMM用于聚类 图2 GMM用于概率密度
高斯混合模型(GMM)是一种常用的聚类模型，通常我们利用最大期望算法(EM)对高斯混合模型中的参数进行估计。本教程中，我们自己动手一步步实现高斯混合模型。GMM以及EM的完整python代码请看这里。 高斯混合模型（Gaussian Mixture Model，GMM）是一种软聚类模型。 GMM也可以看作是K-means的推广，因为GMM不仅是考虑到了数据分布的均值，也考
转载
2023-09-25 20:27:14
170阅读
一、高斯混合模型简介GMM基本框架 类似的还有GMM-UBM(Universal background model)算法，其与GMM的区别在于：对L类整体样本训练一个大的GMM，而不像GMM对每一类训练一个GMM模型。SVM的话MFCC作为特征，每一帧作为一个样本，可以借助VAD删除无效音频段，直接训练分类。近年来也有利用稀疏表达的方法：
二、部分源代码% ====== Load wave da
原创
2022-03-30 19:00:52
613阅读
1评论
一、简介MFCC(Mel-frequency cepstral coefficients):梅尔频率倒谱系数。梅尔频率是基于人耳听觉特性提出来的， 它与Hz频率成非线性对应关系。梅尔频率倒谱系数(MFCC)则是利用它们之间的这种关系，计算得到的Hz频谱特征。主要用于语音数据特征提取和降低运算维度。例如：对于一帧有512维(采样点)数据，经过MFCC后可以提取出最重要的40维(一般而言)数据同时也达到了将维的目的。MFCC一般会经过这么几个步骤：预加重，分帧，加窗，快速傅里叶变换(FFT)，梅尔滤波器组，
原创
2021-08-13 09:10:55
463阅读
在任意一个Automatic speech recognition 系统中，第一步就是提取特征。换句话说，我们需要把音频信号中具有辨识性的成分提取出来，然后把其他的乱七八糟的信息扔掉，例如背景噪声啊，情绪啊等等。
原创
2021-07-09 16:22:29
439阅读
1评论
