声学特征 PNCC

---

特点

power-normalized cepstral coefficients相比于MFCC特征：
- 在噪声和混响场景下提升识别效果，尤其在训练语料是clean语音的时候
- 相比于MFCC，计算量提升34.6%

使用pncc相比mfcc，噪声和口音测试集可以得到10-15%的相对提升

细节

和MFCC/PLP特征的整体对比如上图

filter bank

相比于MFCC的triangular filters，PNCC使用gammatone filters，40维，截止频率分别是200/8000。

获得 P[m,l] ,m表示frame，l表示channel

medium-time power calculation

由于噪声的能量变化相比语音慢很多，所以更大的时间窗口可以得到更好的性能，所以对每一帧进行了平滑处理(左右2帧做平均)。

Q¯[m,l]=12M+1∑m′=m−Mm+MP[m′,l]

得到的 Q¯[m,l] 用于后面的噪声估计和补偿

asymmetric noise suppression

因为语音的能量相比噪声变化快，所以使用谱减法来过滤掉低频部分以达到抑制噪声的目的。

其中的temperal masking的引入可以减弱混响的影响，首先获得每个channel的moving peak，如果某一帧的能量低于这个peak曲线，缩小对应的能量。
获得 R¯[m,l]

spectral weight smoothing

在不同的channel之间做平滑。

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

其中 l2=min(l+N,L) ， L 表示channel的个数， l1=max(l−N,1) ， N 设为4
S¯[m,l] 通过medium-time power calculation实现了在时间维度上的平滑，通过spectral weight smoothing则实现了在频率维度上的平滑，时域是左右2帧，频域是左右4个channel
最后调制 P[m,l] 得到

T[m,l]=P[m,l]S¯[m,l]

mean power normalization

均值的获取使用online的形式

μ[m]=λμμ[m−1]+1−λμL∑l=0L−1T[m,l]

归一化以后：

U[m,l]=kT[m,l]μ[m]

rate-level nonlinearity

相比于MFCC使用的log非线性函数，PNCC使用指数函数，更符合人耳听觉神经的压缩感知

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

参考

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