MFCC全程爲mel frequency cepstral coefficients （梅爾頻率倒譜系數）
過程如下所示：
1.首先是Preemphasis目的是boosting，增加高頻能量，從而提高phone的的識別率
2.然後是加窗，加窗的目的是讓語音信號在一幀內統計特性是固定的，便於構建phone或者subphone分類器。過程如下
上圖所示：每幀窗口25ms，幀位移爲10ms
實際中加窗都用hamming 進行加窗，爲的是避免在窗口邊界處不連續導致後面傅里葉分析時出現問題，
Hamming 加窗算法和矩形加窗如下所示
對應的效果圖如下所示（對比邊界處，可以看到hamming加窗是連續的，而矩陣加窗是非連續的）
3.接下來是Discrete Fourier Transform離散傅里葉變換，目的是得到不同頻帶，每幀信號所包含的能量。
如下圖所示是25ms幀元音[iy]對應的DFT變換
4.接着是Mel filter bank and log，人耳對1000Hz以上的聲音不是很敏感，因此對1000Hz以上的進行log操作，對1000以下的做線性操作，從而提高識別性能
公式如下：
如圖所示：
5.接着是倒譜，即離散傅里葉變換逆變換(The Cepstrum: Inverse Discrete Fourier Transform )
目的是提高語音識別性能，公式如下所示：取前12個參數
6.最後是能量和加速度(Deltas and Energy )
聲音信號具有連續特性，所以在5的基礎之上，添加了速度和加速度特徵信號
能量信號計算公式如下：
速度特徵計算如下：
綜上所示，39維MFCC特徵包括如下信息
參考文獻：
[1]http://practicalcryptography.com/miscellaneous/machine-learning/guide-mel-frequency-cepstral-coefficients-mfccs/#deltas-and-delta-deltas