语音特征参数MFCC的提取及识别耳蜗实质上相当于一个滤波器组，耳蜗的滤波作用是在对数频率尺度上进行的，在1000HZ下，人耳的感知能力与频率成线性关系；而在1000HZ以上，人耳的感知能力与频率不构成线性关系，而更偏向于对数关系，这就使得人耳对低频信号比高频信号更敏感。
Mel频率的提出是为了方便人耳对不同频率语音的感知特性的研究。
频率与Mel频率的转换公式为：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参数的提取1、预加重处理预加重处理其实是一个高通滤波器，该高通滤波顺的传递函数为：其中的取值为0.97，该高通滤波器作用是滤去低频，使语音信号的高频特性更加突现。
2、分帧及加窗处理由于语音信号只在较短的时间内呈现平稳性（一般认为10-30ms），因此将语音信号划分为一个一个的短时段即一帧。
同时为避免丢失语音信号的动态信息，相邻帧之间要有一段重叠区域，重叠区域一段为帧长的1/2或1/3。
然后再将每帧乘上窗函数，以增加每帧左端和右端的连续性。
3、各帧信号的FFT变换对分帧加窗后的各帧信号进行FFT变换得到各帧的频谱。
并对语音信号的频谱取模平方得到语音信号的功率谱。
4、三角滤波器系数的求取定义若干个带通三角滤波器(k)，0<=m<=M，M为滤波器个数，其中心频率为f(m),每个带通三角滤波器的频率响应为且满足Mel(f(m))-Mel(f(m-1))=Mel(f(m+1))-Mel(f(m))求得滤波系数为m(i),i=1,…,p，p为滤波器阶数5、三角滤波并进行离散余弦变换DCTC(i)即为所要求提取的特征参数。
特征参数的识别特征参数的识别主要采用BP神经网络算法进行预测，而在预测前需要用一定数量的样本对网络进行训练，使网络具有联想记忆和预测能力。
网络训练步骤如下：（1）网络初始化。
确定网络输入层、隐层、输出层数目，输出层到隐层的连接权值及隐层到输出层的连接权值，同时初始化隐层阈值a和输出层阈值b;（2）隐层的输出计算。
隐层输出式中，l为隐含层节点数；f为隐含层激励函数，本实验选取函数为:（3）输出层输出计算。
根据隐含层输出H，连接权值和阈值b，计算BP神经网络预测输出O.（4）误差计算。
根据网络预测输出O和期望输出Y，计算网络预测误差e.（5）权值更新。
根据网络预测误差e更新网络连接权值,其中，为学习速率。
（6）阈值更新。
根据网络预测误差e更新网络节点阈值a,b. （7）判断算法迭代是否结束，若没有结束，返回步骤（2）。
BP神经网络分类用训练好的BP神经网络分类语音特征信号，根据分类结果分析BP神经网络分类能力。
将四种音乐风格的数据各1500组共6000组MEL特征数据随机抽取4000组进行训练网络，剩下的2000组特征向量进行辨识，得到各类风格的正确率如下：rightridio =1.00000.92610.91290.8399下图为BP网络误差：MATLAB程序如下：clear;clc;%%%%%%%%采集的四种音乐各500000个数据%%%%%%%%%%%%%%%%%%%%%load f:\课程\voice_reco\c1 x1load f:\课程\voice_reco\c2 x2load f:\课程\voice_reco\c3 x3load f:\课程\voice_reco\c4 x4%%%%%%%%%%%%%%%对语音信号进行预加重处理%%%%%%%%%%%%%%%%%%len=length(x1);heigt=0.98;for i=2:lenx1(i)=x1(i)-heigt*x1(i-1); endfor i=2:lenx2(i)=x2(i)-heigt*x2(i-1); endfor i=2:lenx3(i)=x3(i)-heigt*x3(i-1);endfor i=2:lenx4(i)=x4(i)-heigt*x4(i-1);end%%%%%%%%%%%%%%MEL三角滤波参数%%%%%%%%%%%%%%%%%%%%%%%%%%%fh=20000;melf=2595*log(1+fh/700);M=24;i=0:25;f=700*(exp(melf/2595*i/(M+1))-1);N=256;for m=1:24fork=1:256x=fh*k/N;if (f(m)<=x)&&(x<=f(m+1))F(m,k)=(x-f(m))/(f(m+1)-f(m));else if (f(m+1)<=x)&&(x<=f(m+2))F(m,k)=(f(m+2)-x)/(f(m+2)-f(m+1)); elseF(m,k)=0;endendendendm=N/2;for k=1:12n=0:23;dctcoef(k,:)=cos((2*n+1)*k*pi/(2*24));endcount=floor(length(x1)/m);%%%%%%%%%%%%%%%四种语音的特征参数的求取%%%%%%%%%%%c1=zeros(count,12);for i=1:count-2x_frame=x1(m*(i-1)+1:m*(i-1)+N);Fx=abs(fft(x_frame));s=log(Fx.^2*F');c1(i,:)=s*dctcoef';endc1=zeros(count,12);for i=1:count-2x_frame=x2(m*(i-1)+1:m*(i-1)+N); Fx=abs(fft(x_frame));s=log(Fx.^2*F');c2(i,:)=s*dctcoef';endc3=zeros(count,12);for i=1:count-2x_frame=x3(m*(i-1)+1:m*(i-1)+N); Fx=abs(fft(x_frame));s=log(Fx.^2*F');c3(i,:)=s*dctcoef';endc4=zeros(count,12);for i=1:count-2x_frame=x4(m*(i-1)+1:m*(i-1)+N); Fx=abs(fft(x_frame));s=log(Fx.^2*F');c4(i,:)=s*dctcoef';end%save c1 c1%save c2 c2%save c3 c3%save c4 c5%四个特征信号矩阵合成一个矩阵data(1:1500,:)=c1(1:1500,:);data(1501:3000,:)=c2(1:1500,:);data(3001:4500,:)=c3(1:1500,:);data(4501:6000,:)=c4(1:1500,:);%%%%%%%%%%%特征信号第一列为所属类别%%%%%%%%%%%%%%for i=1:6000if(i>=1)&&(i<=1500)data(i,1)=1;elseif(i>=501)&&(i<=3000)data(i,1)=2;else if (i>=1001)&&(i<=4500) data(i,1)=3;elsedata(i,1)=4;endendendend%从1到2000间随机排序k=rand(1,6000);[m,n]=sort(k);%输入输出数据input=data(:,2:12);output1 =data(:,1);%把输出从1维变成4维for i=1:6000switchoutput1(i)case 1output(i,:)=[1 0 0 0]; case 2output(i,:)=[0 1 0 0];case 3output(i,:)=[0 0 1 0];case 4output(i,:)=[0 0 0 1];endend%随机提取1500个样本为训练样本，500个样本为预测样本input_train=input(n(1:4000),:)';output_train=output(n(1:4000),:)';input_test=input(n(4001:6000),:)';output_test=output(n(4001:6000),:)';%输入数据归一化[inputn,inputps]=mapminmax(input_train); %% 网络结构初始化innum=11;midnum=12;outnum=4;%权值初始化w1=rands(midnum,innum); b1=rands(midnum,1);w2=rands(midnum,outnum); b2=rands(outnum,1);w2_1=w2;w2_2=w2_1;w1_1=w1;w1_2=w1_1;b1_1=b1;b1_2=b1_1;b2_1=b2;b2_2=b2_1;%学习率xite=0.1;alfa=0.01;%% 网络训练for ii=1:10E(ii)=0;fori=1:1:4000%% 网络预测输出x=inputn(:,i);% 隐含层输出for j=1:1:midnumI(j)=inputn(:,i)'*w1(j,:)'+b1(j); Iout(j)=1/(1+exp(-I(j)));end% 输出层输出yn=w2'*Iout'+b2;%% 权值阀值修正%计算误差e=output_train(:,i)-yn; E(ii)=E(ii)+sum(abs(e)); %计算权值变化率dw2=e*Iout;db2=e';for j=1:1:midnum S=1/(1+exp(-I(j))); FI(j)=S*(1-S); endfor k=1:1:innum for j=1:1:midnumdw1(k,j)=FI(j)*x(k)*(e(1)*w2(j,1)+e(2)*w2(j,2)+e(3)*w2(j,3)+ e(4)*w2(j,4));db1(j)=FI(j)*(e(1)*w2(j,1)+e(2)*w2(j,2)+e(3)*w2(j,3)+e(4)*w2 (j,4));endendw1=w1_1+xite*dw1';b1=b1_1+xite*db1';w2=w2_1+xite*dw2'; b2=b2_1+xite*db2';w1_2=w1_1;w1_1=w1; w2_2=w2_1;w2_1=w2; b1_2=b1_1;b1_1=b1; b2_2=b2_1;b2_1=b2;endend%% 语音特征信号分类inputn_test=mapminmax('apply',input_test,inputps); for ii=1:1fori=1:200000%隐含层输出for j=1:1:midnumI(j)=inputn_test(:,i)'*w1(j,:)'+b1(j); Iout(j)=1/(1+exp(-I(j)));endfore(:,i)=w2'*Iout'+b2;endend%% 结果分析%根据网络输出找出数据属于哪类for i=1:2000output_fore(i)=find(fore(:,i)==max(fore(:,i))); end%BP网络预测误差error=output_fore-output1(n(4001:6000))';%画出预测语音种类和实际语音种类的分类图figure(1)plot(output_fore,'r')hold onplot(output1(n(4001:6000))','b') legend('预测语音类别','实际语音类别') %画出误差图figure(2)plot(error)title('BP网络分类误差','fontsize',12) xlabel('语音信号','fontsize',12)ylabel('分类误差','fontsize',12)%print -dtiff -r600 1-4k=zeros(1,4);%找出判断错误的分类属于哪一类for i=1:2000iferror(i)~=0[b,c]=max(output_test(:,i));switch ccase 1k(1)=k(1)+1;case 2k(2)=k(2)+1; case 3k(3)=k(3)+1; case 4k(4)=k(4)+1; endendend%找出每类的个体和kk=zeros(1,4);for i=1:2000[b,c]=max(output_test(:,i));switchccase 1kk(1)=kk(1)+1;case 2kk(2)=kk(2)+1; case 3kk(3)=kk(3)+1; case 4kk(4)=kk(4)+1;endend%正确率rightridio=(kk-k)./kk。