关于HMM的相关论文（2）-声学模型

本文中关于论文的部分不是逐字逐句翻译的，有的是按照对论文的理解，自己说的，有不准确的地方，欢迎指正。
接上回，2.1节 Feature Extracion（特征提取)
特征提取阶段旨在提供语音波形的compact representation。This form should minimise the loss of information that discriminates between words, and provide a good match with the distributional assumptions made by the acoustic models.举例，如果将对角协方差高斯分布用于状态输出分布，feature应该被设计为高斯和不相关的。

Feature vectors are typically computed every 10 ms using an overlapping analysis window of around 25 ms.（语音信号是变化快的，傅里叶变换适用于分析平稳的信号语音。信号分帧，每帧做傅里叶变换。一般帧长取20~50ms，一帧内有足够多的周期，又不变化剧烈。每帧信号通常要与一个平滑的窗函数相乘，这样可取得更高质量的频谱。帧和帧之间的时间差常取为10ms，这样帧与帧之间会有重叠。否则，由于帧与帧连接处的信号会因为加窗而被弱化，这部分的信息就丢失了。）

最简单常用的编码方式是梅尔倒谱系数，即MFCC。These are generated by applying a truncated discrete cosine transformation (DCT离散余弦变换) to a log spectral estimate computed by smoothing an FFT with around 20 frequency bins distributed non-linearly across the speech spectrum. 非线性的频率范围通常被称之为梅尔范围（mel scale), 符合人耳的听觉特性。DCT是为了平滑频谱估计并且对特征元素去相关。经过余弦变换，第一个元素表示频带的对数能量平均值。这有时会被帧的对数能量所取代，或者完全删除。

Further psychoacoustic constraints are incorporated into a related encoding called perceptual linear prediction (PLP感知线性预测). PLP根据感知加权的非线性压缩功率谱来计算线性预测系数，然后将线性预测系数转换为倒谱系数。PLP根据感知加权的非线性压缩功率来计算线性预测系数ÿ