为什么大多数乐器识别选用MFCC而不是用LPCC

知道MFCC对人耳对声音的感知进行了模拟，除此之外还有啥有点吗？

MFCC是基于人耳听觉模型的一种算法，而LPCC则是基于线性预测的一种算法。

大多数乐器识别选用MFCC而不是LPCC的原因是因为MFCC的特征提取效果相对更好，更符合人耳的听觉特性。MFCC是根据人耳对音高和音强的感知特性来设计的，因此能够提取出音频信号中与人耳感知相关的重要信息，包括声音的音调、音高和音色等特征，这些特征对于乐器识别非常重要。

相比之下，LPCC则更适用于语音识别等应用场景，因为它可以提取出音频信号中的谐波频率和共振峰等特征，而这些特征对于语音识别非常重要。

当然，对于某些特定的乐器，LPCC也可以作为特征提取算法来使用。不同的乐器、不同的应用场景可能需要不同的特征提取算法，需要根据具体情况进行选择。

• 你可以参考下这篇文章：【语音信号处理】1语音信号可视化——时域、频域、语谱图、MFCC详细思路与计算、差分
• 除此之外, 这篇博客: 【MFCC梅尔倒频谱参数】浅谈语音特征参数MFCC提取过程中的 预加重 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• 2. 预加重
     预加重处理其实是将语音信号通过一个高通滤波器：

     Y(n) = X(n) - μX(n-1)
     y(n) 指输入的是离散信号
     H(z) = 1 - μz^-1
     H(z) 指输入的是连续信号

     上式中μ的值介于0.9-1.0之间，我们通常取0.97。预加重的目的是提升高频部分，使信号的频谱变得平坦，保持在低频到高频的整个频带中，能用同样的信噪比求频谱。同时，也是为了消除发生过程中声带和嘴唇的效应，来补偿语音信号受到发音系统所抑制的高频部分，也为了突出高频的共振峰。

  def pre_emphasis(sinal, coefficient=0.97):
  	import numpy
  	return numpy.append(signal[0], signal[1:] - coefficient * signal[:-1])