Question

所以我学习机器学习并想知道mfcc特征大小如何影响RNN（Recurent Neural Network）？

使用librosa我提取了mfcc，然后是delta系数，之后我得到了维数[13，sound_length]

的数组

使用python提取mfcc和delta系数的代码：（y - 声音文件数据，sr - y的长度）

mfcc = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13)
mfcc_delta = librosa.feature.delta(mfcc, axis=0, order=1)

理论上，如果我想用这种数据和n_mfcc = 39的数据训练网络。谁会更好，为什么？（忽略所有其他超参数）我只想知道这个参数如何影响RNN的理论。

Answer 1

MFCCs是DCT - 缩放（非线性）光谱的Mel系数。换句话说，它们捕获Mel谱中周期性变化的幅度。在音乐分析中，这通常用于描述一段音乐的timbre。系数指数越低，频率越低（Mel谱中的周期性变化）。

简单地说：较低的指数/系数通常更重要。

JPEG图像文件格式的情况也是如此，丢弃了MP3更高的DCT系数，因为它们描述的频率通常不重要。

因此，更少的系数意味着您可以使用更小的RNN。但是，您将丢失那些较高频率中包含的信息（如上所述，这些信息通常不被认为非常重要）。这是一个收益递减的游戏：在某些时候，更多的系数只意味着更多的输入，但不一定是更好的结果。

AFAIK，在音乐信息检索（MIR）中，通常使用前13个系数。但我也看过使用前20页的论文。

在用于MIR之前，MFCC用于语音识别。