如何使用 MFCC 系数向量训练机器学习算法

Question

对于我最后一年的项目，我正在尝试实时识别狗/吠叫/鸟的声音(通过录制声音剪辑(。我正在使用MFCC作为音频功能。最初，我使用 jAudio 库从声音剪辑中提取了总共 12 个 MFCC 向量。现在我正在尝试训练一种机器学习算法(目前我还没有决定算法，但它很可能是 SVM(。声音剪辑的大小约为 3 秒。我需要澄清有关此过程的一些信息。他们是，

1. 我是否必须使用基于帧的 MFCC(每帧 12 个(来训练此算法或者或基于整体剪辑的 MFCC(每个声音剪辑 12 个(？

要训练算法，我是否必须将所有 12 个 MFCC 视为 12 个

2. 不同的属性，或者我是否必须将这 12 个 MFCC 视为一个属性？

这些 MFCC 是剪辑的整体 MFCCS，

-9.598802712290967 -21.644963856237265 -7.405551798816725 -11.638107212413201 -19.441831623156144 -2.780967392843105 -0.5792847321137902 -13.14237288849559 -4.920408873192934 -2.7111507999281925 -7.336670942457227 2.4687330348335212

任何帮助将不胜感激，以克服这些问题。我在谷歌上找不到好的帮助。:)

Answer 1

1. 应计算每帧的 MFCC。由于您的信号随时间变化，因此将它们放在整个剪辑上是没有意义的。更糟糕的是，你最终可能会得到狗和鸟具有相似的代表。我会尝试几种帧长度。通常，它们将以毫秒为单位。

2. 所有这些都应该是单独的功能。让机器学习算法决定哪个是最佳预测因子。

请注意，MFCC 对噪声很敏感，因此请先检查样本的声音。例如，Yaafe库提供了更丰富的音频提取选择，其中许多功能在您的情况下会更好地服务。具体是哪个？以下是我发现在鸟叫分类中最有用的内容：

• 光谱平坦度
• 知觉传播
• 光谱滚降
• 光谱降低
• 光谱形状统计
• 光谱斜率
• 线性预测编码 (LPC(
• 线谱对 (LSP(

也许你可能会觉得看看这个项目很有趣，尤其是我与Yaafe交流的部分。

回到我使用支持向量机的日子，完全按照您的计划。今天，我最终会选择梯度提升。