Cepstral Mean Normalization

ใครช่วยอธิบายเกี่ยวกับการทำให้ค่าเฉลี่ยของเซพสทรัลเป็นมาตรฐานได้อย่างไรสมบัติความเท่าเทียมของการบิดมีผลต่อเรื่องนี้อย่างไร จะต้องทำ CMN ในการจดจำลำโพงแบบ MFCC หรือไม่? ทำไมคุณสมบัติของ convolution จึงเป็นความต้องการพื้นฐานของ MFCC?

ฉันยังใหม่กับการประมวลผลสัญญาณนี้มาก กรุณาช่วย

เพียงเพื่อให้สิ่งที่ชัดเจน - ทรัพย์สินนี้ไม่ได้เป็นพื้นฐานแต่สำคัญ มันเป็นความแตกต่างพื้นฐานเมื่อพูดถึงการใช้ DCT แทน DFT สำหรับการคำนวณสเปกตรัม

ทำไมเราถึงทำ Cepstral Mean Normalisation

ในการจดจำเสียงผู้พูดเราต้องการลบเอฟเฟกต์ช่องสัญญาณใด ๆ หากสัญญาณอินพุทคือและการตอบสนองต่อแรงกระตุ้นของช่องสัญญาณจะถูกกำหนดโดยสัญญาณที่บันทึกไว้คือการแปลงเชิงเส้นของทั้งคู่:h [ n $x[n]$$h[n]$

$$y[n] = x[n] \star h[n]$$

โดยการแปลงฟูริเยร์เราจะได้รับ:

$$Y[f] = X[f]\cdot H[f]$$

เนื่องจากคุณสมบัติความเท่ากันของการคูณการบิดของ FT - นั่นคือเหตุผลที่มันเป็นคุณสมบัติที่สำคัญของ FFT ในขั้นตอนนี้

ขั้นตอนถัดไปในการคำนวณ cepstrum คือการหาลอการิทึมของสเปกตรัม:

$$Y[q] = \log Y[f] = \log \left( X[f] \cdot H[f]\right) = X[q] + H[q]$$

เนื่องจาก:บันทึกข เห็นได้ชัดว่าเป็นquefrency ในฐานะที่เป็นหนึ่งอาจสังเกตเห็นโดยการ cepstrum ของ convolution ในโดเมนเวลาเราท้ายด้วยการเพิ่มในโดเมน cepstral (quefrency)$\log(ab) = \log a +\log b$$q$

Cepstral Mean Normalisation คืออะไร

ตอนนี้เรารู้แล้วว่าในเซปสตรัลโดเมนการบิดเบือนทางโวหารใด ๆ จะถูกแทนด้วยการเติม สมมติว่าพวกเขาทั้งหมดอยู่กับที่ (ซึ่งเป็นข้อสันนิษฐานที่แข็งแกร่งในเรื่องของเสียงพูดและการตอบสนองของช่องไม่เปลี่ยนแปลง) และส่วนที่อยู่นิ่งของการพูดนั้นไม่มีความสำคัญ เราสามารถสังเกตได้ว่าสำหรับทุกเฟรมที่แท้จริงคือ:

$$Y_i[q] = H[q] + X_i[q]$$

ด้วยการหาค่าเฉลี่ยเหนือเฟรมทั้งหมดที่เราได้รับ

$$\dfrac{1}{N}\sum_{i} Y_i[q] = H[q] + \dfrac{1}{N}\sum_{i} X_i[q]$$

การกำหนดความแตกต่าง:

$$\begin{array} &R_i[q] &= Y_i[q] - \dfrac{1}{N}\sum_{j} Y_j[q]\\ & = H[q] + X_i[q] - \left(H[q] + \dfrac{1}{N}\sum_{j} X_j[q]\right) \\ & = X_i[q] - \dfrac{1}{N}\sum_{j} X_j[q]\\ \end{array}$$

เราจบลงด้วยสัญญาณของเราที่มีการบิดเบือนช่องทางออก ใส่สมการข้างต้นทั้งหมดเป็นภาษาอังกฤษง่าย ๆ :

• คำนวณเซพสตรัม
• ลบค่าเฉลี่ยจากค่าสัมประสิทธิ์แต่ละค่า
• เลือกที่จะหารด้วยความแปรปรวนเพื่อดำเนินการการปรับค่าเฉลี่ยของ Cepstral แทนการลบ

Cepstral หมายถึงการทำ Normalisation มีความจำเป็นหรือไม่?

มันไม่ได้บังคับโดยเฉพาะอย่างยิ่งเมื่อคุณพยายามจดจำผู้พูดคนหนึ่งในสภาพแวดล้อมเดียว ในความเป็นจริงมันสามารถทำให้ผลลัพธ์ของคุณแย่ลงเนื่องจากมีแนวโน้มที่จะเกิดข้อผิดพลาดเนื่องจากเสียงรบกวนเพิ่มเติม:

$$y[n] = x[n] \star h[n] + w[n]$$

$$Y[f] = X[f]\cdot H[f] + W[f]$$

$$\log Y[f] = \log \left[X[f]\left(H[f]+\dfrac{W[f]}{X[f]} \right) \right] = \log X[f] +\log \left(H[f]+\color{red}{\dfrac{W[f]}{X[f]}} \right)$$

ในสภาพ SNR ที่ไม่เหมาะสมคำที่ทำเครื่องหมายไว้สามารถแซงการประเมิน

แม้ว่าเมื่อดำเนินการกับ CMS แล้วโดยปกติคุณจะได้รับเปอร์เซ็นต์พิเศษเพียงเล็กน้อย หากคุณเพิ่มประสิทธิภาพที่ได้รับจากอนุพันธ์ของค่าสัมประสิทธิ์คุณจะได้รับอัตราการรู้จำของคุณเพิ่มขึ้นอย่างแท้จริง การตัดสินใจขั้นสุดท้ายขึ้นอยู่กับคุณโดยเฉพาะอย่างยิ่งว่ามีวิธีการอื่นอีกมากมายที่ใช้สำหรับการปรับปรุงระบบรู้จำเสียง