Machine learning 如何使用MFCC系数向量训练机器学习算法？

在我最后一年的项目中，我试图实时识别狗/吠叫/鸟的声音（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总共提取了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，但很可能是SVM）。声音片段的大小大约为3秒。我需要澄清一些关于这个过程的信息。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 还是基于整体剪辑的MFCC（每个声音剪辑12个）

在训练算法时，我必须把所有12个MFCC视为12个不同的属性，还是必须考虑12个MFCC作为一个属性？

这些MFCC是剪辑的总体MFCC

-9.5988027122909967-21.644963856237265-7.405551798816725-11.638107212413201-19.441831623156144-2.780967392928843105-0.5792847321137902-13.14237288849559-4.920408873192934-2.711150799981925-7.336670942457227-2.4687330335212

我们将非常感谢任何帮助来克服这些问题。我在谷歌上找不到好的帮助。：）

您应该计算每帧的MFCC。因为你们的信号在时间上是不同的，所以在整个剪辑中使用它们是没有意义的。更糟糕的是，最终可能会出现狗和鸟具有相似表示的情况。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特性。让机器学习算法决定哪一个是最好的预测器

请注意，MFCC对噪音很敏感，因此请首先检查样本的声音。例如，提供了更丰富的音频提取功能选择，其中许多功能在您的情况下会更好地发挥作用。具体是哪个？以下是我发现的对鸟叫声分类最有用的内容：

• 光谱平坦度
• 知觉扩散
• 光谱衰减
• 光谱衰减
• 谱形统计
• 光谱斜率
• 线性预测编码（LPC）
• 线谱对（LSP）

也许你会对退房感兴趣，尤其是我与Yaafe的互动部分

---

在我使用支持向量机的时候，就像你计划的那样。今天我肯定会使用渐变增强功能。

这确实很有帮助，对于这种情况，建议的窗口大小是多少？通常我会想有一个3秒钟的窗口，因为有些鸟的声音很长。当谈到培训时，你能给我解释一下如何创建矩阵吗？因此，我必须创建12个不同的属性，因为它们都是独立的功能，对吗？可以将窗口大小视为保存信息的最短间隔，即声音的量子。在3秒钟内你可以说一个完整的句子。正如我在回答中所解释的：以毫秒为单位，例如16毫秒。窗口应重叠，至少50%或更多。例如，如何“创建矩阵”，请参考我共享的一段代码。保存的信息表示我需要的完整声音或我需要识别的声音的一小部分？让我们假设一只鸟独特的声音是2秒长。如果我使用1秒的窗口大小，就没有一次机会获得鸟类的真实声音，是吗（我建议您先阅读一些DSP简介。长话短说，您的窗口大小应该至少长几倍（例如5）比声音的周期低-音调越低，窗口应该越长。但是，窗口越长，分辨率越低。如果可能，请分享你的代码，我正在做类似的工作。