聲學特徵 PNCC

---

特點

power-normalized cepstral coefficients相比於MFCC特徵：
- 在噪聲和混響場景下提升識別效果，尤其在訓練語料是clean語音的時候
- 相比於MFCC，計算量提升34.6%

使用pncc相比mfcc，噪聲和口音測試集可以得到10-15%的相對提升

細節

和MFCC/PLP特徵的整體對比如上圖

filter bank

相比於MFCC的triangular filters，PNCC使用gammatone filters，40維，截止頻率分別是200/8000。

獲得P[m,l] ,m表示frame，l表示channel

medium-time power calculation

由於噪聲的能量變化相比語音慢很多，所以更大的時間窗口可以得到更好的性能，所以對每一幀進行了平滑處理(左右2幀做平均)。

Q¯[m,l]=12M+1∑m′=m−Mm+MP[m′,l]

得到的Q¯[m,l] 用於後面的噪聲估計和補償

asymmetric noise suppression

因爲語音的能量相比噪聲變化快，所以使用譜減法來過濾掉低頻部分以達到抑制噪聲的目的。

其中的temperal masking的引入可以減弱混響的影響，首先獲得每個channel的moving peak，如果某一幀的能量低於這個peak曲線，縮小對應的能量。
獲得R¯[m,l]

spectral weight smoothing

在不同的channel之間做平滑。

s¯[m,l]=(1l2−L1+1∑l′=l1l2R¯[m,l′]Q¯[m,l′])

其中l2=min(l+N,L) ，L 表示channel的個數，l1=max(l−N,1) ，N 設爲4
S¯[m,l] 通過medium-time power calculation實現了在時間維度上的平滑，通過spectral weight smoothing則實現了在頻率維度上的平滑，時域是左右2幀，頻域是左右4個channel
最後調製P[m,l] 得到

T[m,l]=P[m,l]S¯[m,l]

mean power normalization

均值的獲取使用online的形式

μ[m]=λμμ[m−1]+1−λμL∑l=0L−1T[m,l]

歸一化以後：

U[m,l]=kT[m,l]μ[m]

rate-level nonlinearity

相比於MFCC使用的log非線性函數，PNCC使用指數函數，更符合人耳聽覺神經的壓縮感知

V[m,l]=U[m,l]1/15

參考

Power-Normalized Cepstral Coefficients (PNCC) for Robust Speech Recognition
http://www.cs.cmu.edu/~robust/archive/algorithms/PNCC_C