人工智能我见及特征提取mfcc算法理解

一、人工智能

　　从LeNex手写数字识别，AlexNet图像识别，到无人驾驶汽车，再到Alpha Go、Alpha Go Zero的横空出世，人工智能无疑已经成为了当下科技的大热。那么什么是人工智能呢？直白点，人工智能就是让机器拥有人的智能。科学家们为了让机器拥有智能，从人是如何识别、思考、解决问题的角度出发，为机器量身订做了一套方案。

　　神经网络就是一个最好的例子：早期，科学家们从鸟儿的翅膀发明了飞机，现在，科学家们从人是如何思考的，大脑是如何运作的出发，进而发明了神经网络。下面我们要引出本篇博客的重点mfcc特征提取算法，这也是基于人类的行为而发明出来的。

二、mfcc算法

　　mfcc是为了完成声音识别而开发出来的一套算法，基于人是如何识别声音的。首先明确四点：

　　1.语音信号的大部分信息包含在低频分量中；

　　2.语音信号的大部分信息包含在低幅部分中；

　　3.人耳听到的声音高低与声音频率不成线性关系，但是与该声音频率的对数近似成线性正比关系；

　　4.人并不能区分所有频率分量，只有两个频率分量相差一定带宽时（1000hz以下，带宽恒定100hz；1000hz以上，带宽与中心频率成指数关系），人类才能区分，否则人就会把两个音调听成一个，这称为屏蔽效应，带宽称为临界带宽；（中心频率：声音高低主要与频率有关，由于可听声的声频太宽(从20Hz到20000Hz)，为便于进行频率分析，将其分为若干段，称为频程。每频程的上限与下限频率的几何平均值称为该频程的中心频率）

　　MFCC在一定程度上模拟了人耳对语音的处理特点，应用了人耳听觉感知方面的研究成果，采用这种技术语音识别系统的性能有一定提高。

　　mfcc是一种特征，这个特征在自动语音和说话人识别中广泛的使用。

　　如果现在给我们一段语音，我们首先得到它的频谱包络（连接所有共振峰值点的平滑曲线，共振峰值携带了声音的辨识属性，如同人的身份证），但是对于人类来说，人类听觉的感知至聚焦在某些特定的区域而不是整个频谱包络，而MEL频率分析就是基于人类听觉感知实验的。实验观测发现人耳就像一个滤波器组一样，它只关注某些特定的频率分量。它在低频区域有很多的滤波器，在高频区域则较少。

　　人耳听觉的特性与Mel频率的增长一致，Mel滤波器能向人一样的去提取特征。（而gfcc是基于GT滤波器的）