如何使用 MFCC 系数向量训练机器学习算法？
How to train a machine learning algorithm using MFCC coefficient vectors?
对于我最后一年的项目，我试图实时识别 dog/bark/bird 声音（通过录制声音片段）。我使用 MFCC 作为音频功能。最初我使用 jAudio 库从一个声音片段中提取了总共 12 个 MFCC 向量。
现在我正在尝试训练机器学习算法（目前我还没有决定算法但它很可能是 SVM）。声音片段大小约为 3 秒。我需要澄清有关此过程的一些信息。他们是，
我是否必须使用基于帧的 MFCC（每帧 12 个）来训练此算法
或基于整体剪辑的 MFCC（每个声音剪辑 12 个）？
为了训练算法，我必须将所有 12 个 MFCC 视为 12 个不同的属性，还是必须将这 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
任何帮助解决这些问题的帮助将不胜感激。我在 Google 上找不到很好的帮助。 :)
您应该计算每帧的 MFCC。由于您的信号随时间变化，因此将它们放在整个剪辑中是没有意义的。更糟糕的是，您最终可能会得到具有相似表示的狗和鸟。我会尝试几种帧长度。通常，它们将以毫秒为单位。
所有这些都应该是独立的功能。让机器学习算法决定哪个是最佳预测变量。
请注意 MFCC 对噪音很敏感，因此请先检查您的样本听起来如何。例如，提供了更丰富的用于提取的音频特征选择。 Yaafe library，其中许多会更适合您的情况。具体是哪个？以下是我发现对鸟类叫声分类最有用的内容：
- 光谱平坦度
- 感知传播
- 频谱衰减
- 光谱减少
- 光谱形状统计
- 光谱斜率
- 线性预测编码 (LPC)
- 线谱对 (LSP)
也许您可能会发现查看 this project 很有趣，尤其是我与 Yaafe 交互的部分。
早在我使用 SVM 的日子里，正如您所计划的那样。今天我肯定会选择梯度提升。
对于我最后一年的项目，我试图实时识别 dog/bark/bird 声音（通过录制声音片段）。我使用 MFCC 作为音频功能。最初我使用 jAudio 库从一个声音片段中提取了总共 12 个 MFCC 向量。 现在我正在尝试训练机器学习算法（目前我还没有决定算法但它很可能是 SVM）。声音片段大小约为 3 秒。我需要澄清有关此过程的一些信息。他们是，
我是否必须使用基于帧的 MFCC（每帧 12 个）来训练此算法 或基于整体剪辑的 MFCC（每个声音剪辑 12 个）？
为了训练算法，我必须将所有 12 个 MFCC 视为 12 个不同的属性，还是必须将这 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
任何帮助解决这些问题的帮助将不胜感激。我在 Google 上找不到很好的帮助。 :)
您应该计算每帧的 MFCC。由于您的信号随时间变化，因此将它们放在整个剪辑中是没有意义的。更糟糕的是，您最终可能会得到具有相似表示的狗和鸟。我会尝试几种帧长度。通常，它们将以毫秒为单位。
所有这些都应该是独立的功能。让机器学习算法决定哪个是最佳预测变量。
请注意 MFCC 对噪音很敏感，因此请先检查您的样本听起来如何。例如，提供了更丰富的用于提取的音频特征选择。 Yaafe library，其中许多会更适合您的情况。具体是哪个？以下是我发现对鸟类叫声分类最有用的内容：
- 光谱平坦度
- 感知传播
- 频谱衰减
- 光谱减少
- 光谱形状统计
- 光谱斜率
- 线性预测编码 (LPC)
- 线谱对 (LSP)
也许您可能会发现查看 this project 很有趣，尤其是我与 Yaafe 交互的部分。
早在我使用 SVM 的日子里，正如您所计划的那样。今天我肯定会选择梯度提升。