将 K-means 应用于 ASR 的 MFCC 系数

Posted 2023-03-13

【中文标题】将 K-means 应用于 ASR 的 MFCC 系数

【英文标题】：Applying K-means to MFCC Coefficients for ASR

【发布时间】：2017-08-01 23:32:55

【问题描述】：

我已将我的音频信号划分为 20ms 帧，其中 10ms 重叠。结果我有500帧。我已经计算了每一帧的 MFCC 系数。我想使用 K-MEAN 算法对每一帧进行矢量量化。

我每帧有 16 个 MFCC 系数（矢量长度：16）。现在 K-MEAN 需要 2 个向量来形成聚类图（一个沿 X，一个沿 Y），但是我只有一个向量（每帧 16 个 MFCC 系数）。

那么我该如何进行呢？我是否采用相邻帧并将 K-mean 应用于相邻帧？

【参考方案1】：

现在 K-MEAN 需要 2 个向量来形成簇图（一个沿 X，一个沿 Y）

这不是真的，kmeans 算法可以聚类任意数量的向量。

那么我该如何进行呢？我是否采用相邻帧并将 K-mean 应用于相邻帧？

您有 500 个向量，对所有向量应用 kmeans。

例如，在 MATLAB 中，输入向量 X 必须是 kmean 函数的 2xM 维矩阵；

没有这个要求

我选择哪些向量来形成 K-MEAN 中的集群？如何将 kmeans 应用于每个向量？

再一次，你把所有的向量都当作documentation。

     [idx,C] = kmeans(X,num_clusters);

X 是一个 500x13 的矩阵。

看了一堆教程后，通常 i/p 是二维 Kmeans 空间的两个数据集 (X1,X2)。

如果您关注上述文档，x1 和 x2 是集群的示例。还有一个集群x3。

我的疑问是在 MFCC 的情况下，我的 X1、X2 应该是什么？

例如会有音素对应的簇。如果你有 20 个音素，你会聚集在 20 个质心上，每个质心都对应于音素。如果你有足够的数据，你也可以在 256 个质心上进行聚类，然后聚类将对应于语音中抽象的共同特征值。

【讨论】：

如果我的怀疑听起来有点荒谬，我很抱歉。我的主要疑问是如何将 K-MEAN 应用于我拥有的 13X500 MFCC 系数。例如，在 MATLAB 中，输入向量 X 必须是 kmean 函数的 2xM 矩阵；我选择哪些向量来形成 K-MEAN 中的集群？如何将 kmeans 应用于每个向量？如果您能花时间解释这样一个基本的疑问，我将不胜感激。非常感谢！

看了一堆教程后，通常 i/p 是二维 Kmeans 空间的两个数据集 (X1,X2)。我的疑问是在 MFCC 的情况下，我的 X1、X2 应该是什么？

我在回答中回复了

非常感谢！这对我帮助很大！

【参考方案2】：

我在这里看到两种可能性： 1）您想量化您的 mfcc 特征（例如，将特征分成强、中和小幅度组）。在这种情况下，您希望每帧运行并插入特征向量，因为每个特征都是 k-means 算法的一个点。如果您绝对必须（并且您没有）有一个 mx2 输入向量，只需将 1 添加到每个特征（ MFCCs = [MFCCS, one(size(MFCCs,1),1)]; ）

2) 您想找到彼此相似的帧组。在这种情况下，kmeans 算法的每个“点”都是单个帧的所有 MFCC 特征。这就是尼古拉所说的。

干杯， 丹