发表服务
期刊论文[1]基于PCA-SOM的异常心音分类识别方法的研究[J].刘喻,唐雪辉,陈洪波,徐绍凯,范琳,梁庆德.航天医学与医学工程.2018(01)[2]基于心音周期性的自动分段研究[J].许莉莉,郭学谦.中国医疗设备.2018(01)[3]基于MFCC的语音情感特征提取研究[J].
本文分析研究了光纤传感信号的三种特征提取方法：MFCC参数特征提取法、小波包能量特征提取法和小波包Shannon熵特征提取法，并且RBF神经网络分别进行了实验。.实验识别结果表明，相比其他两种特征提取方法，小波Shannon熵特征提取法能产生较好的识别...
然后，对声纹识别中语音信号的特征提取做了详细研究，描述了特征参数共振峰、线性预测倒谱系数(LPCC)、梅尔频率倒谱系数(MFCC)的提取方法，重点分析介绍了基于人耳耳蜗模型的Gammatone频率倒谱系数(GFCC)，提出了特征参数GFCC的提取算法，并通过
functionr=mfcc(s,fs)%MFCC参数提取%Reference:论文《MFCC和LPCC特征参数在说话人识别中的研究》%%Inputs:scontainsthesignaltoanalize%fsisthesamplingrateofthesignal%%Output:rcontainsthetransformedsignaln=256;m
最常用的语音特征就是梅尔倒谱系数（MFCC），MFCC是根据人耳频率的非线性特性提取出来的倒谱参数，模拟人类特定的听觉掩蔽和听觉修复等功能。.提取MFCC的过程如下图所示。.如果想对这一部分有深度研究的话，可以看看张雪英教授的《数字语音处理及MATLAB...
MFCC有多种实现，各种实现细节上会略有不同，但总的思路是一致的。以识别中常用的39维MFCC为例，分为：13静态系数+13一阶差分系数+13二阶差分系数其中差分系数用来描述动态特征，也即声学特征在相邻帧间的变化情况。静态mfcc假设帧...
5.梅尔倒谱，MFCC和动态特征提取对上面得到的26个点的信号进行DCT，得到26个倒谱系数(CepstralCoefficents)，最后我们保留2-13这12个数字，这12个数字就叫MFCC特征。对功率谱再做DCT的目的就是为了提取信号的包络。其中第一个数字是信号原始的
并用实验比较了MFCC、LPCC，PLCC，等多特征结合的系统识别率。西南交通大学硕士研究生学位论文第l1页第2章异常声音的特征提取特征提取是异常声音识别技术中的关键环节，它关系到是否能够正确识别出不同的异常声音。
本次论文分享的是一篇2018年发表在IEEE上的用GAN从MFCC语音波形的论文。这篇文章提出了一种从滤波器组梅尔频率倒谱系数（MFCC）生成语音的方法，该方法广泛用于语音应用程序（例如ASR）中，但通常被认为无法用于语音。
同时,在特征提取过程中,引入经验模态分解法,挖掘更多的动态特征,从而获得复合改进的MFCC特征提取方法。4、完成异常声音的分类识别。根据对异常声音提取的特征,用支持向量机完成异常声音模型的建立和测试。
期刊论文[1]基于PCA-SOM的异常心音分类识别方法的研究[J].刘喻,唐雪辉,陈洪波,徐绍凯,范琳,梁庆德.航天医学与医学工程.2018(01)[2]基于心音周期性的自动分段研究[J].许莉莉,郭学谦.中国医疗设备.2018(01)[3]基于MFCC的语音情感特征提取研究[J].
本文分析研究了光纤传感信号的三种特征提取方法：MFCC参数特征提取法、小波包能量特征提取法和小波包Shannon熵特征提取法，并且RBF神经网络分别进行了实验。.实验识别结果表明，相比其他两种特征提取方法，小波Shannon熵特征提取法能产生较好的识别...
然后，对声纹识别中语音信号的特征提取做了详细研究，描述了特征参数共振峰、线性预测倒谱系数(LPCC)、梅尔频率倒谱系数(MFCC)的提取方法，重点分析介绍了基于人耳耳蜗模型的Gammatone频率倒谱系数(GFCC)，提出了特征参数GFCC的提取算法，并通过
functionr=mfcc(s,fs)%MFCC参数提取%Reference:论文《MFCC和LPCC特征参数在说话人识别中的研究》%%Inputs:scontainsthesignaltoanalize%fsisthesamplingrateofthesignal%%Output:rcontainsthetransformedsignaln=256;m
最常用的语音特征就是梅尔倒谱系数（MFCC），MFCC是根据人耳频率的非线性特性提取出来的倒谱参数，模拟人类特定的听觉掩蔽和听觉修复等功能。.提取MFCC的过程如下图所示。.如果想对这一部分有深度研究的话，可以看看张雪英教授的《数字语音处理及MATLAB...
MFCC有多种实现，各种实现细节上会略有不同，但总的思路是一致的。以识别中常用的39维MFCC为例，分为：13静态系数+13一阶差分系数+13二阶差分系数其中差分系数用来描述动态特征，也即声学特征在相邻帧间的变化情况。静态mfcc假设帧...
5.梅尔倒谱，MFCC和动态特征提取对上面得到的26个点的信号进行DCT，得到26个倒谱系数(CepstralCoefficents)，最后我们保留2-13这12个数字，这12个数字就叫MFCC特征。对功率谱再做DCT的目的就是为了提取信号的包络。其中第一个数字是信号原始的
并用实验比较了MFCC、LPCC，PLCC，等多特征结合的系统识别率。西南交通大学硕士研究生学位论文第l1页第2章异常声音的特征提取特征提取是异常声音识别技术中的关键环节，它关系到是否能够正确识别出不同的异常声音。
本次论文分享的是一篇2018年发表在IEEE上的用GAN从MFCC语音波形的论文。这篇文章提出了一种从滤波器组梅尔频率倒谱系数（MFCC）生成语音的方法，该方法广泛用于语音应用程序（例如ASR）中，但通常被认为无法用于语音。
同时,在特征提取过程中,引入经验模态分解法,挖掘更多的动态特征,从而获得复合改进的MFCC特征提取方法。4、完成异常声音的分类识别。根据对异常声音提取的特征,用支持向量机完成异常声音模型的建立和测试。
发表服务