【方法论】机器学习先做特征选择还是参数寻优？
在监督学习中，特征选择应被视为模型训练的一部分，而非独立于模型的预处理环节。使用默认参数进行特征选择可能误删有用特征，影响模型性能。实验表明，特征与模型之间存在高度耦合，某些特征（如LPCC）在特定模型下表现优异，而另一些（如FBank与动态特征的组合）则可能适得其反。因此，建议采取“特征-模型协同设计”思路，分阶段评估特征有效性，并结合模型的“特征偏好”进行优化，以提升整体识别性能。
分类： 编程算法
算法学习笔记、项目开发日志与代码片段。
【监督学习】：说话人特征提取算法比较
本文实验比较了MFCC、Fbank和LPCC三种音频特征在说话人识别中的表现。结果显示：LPCC在噪声环境下最具鲁棒性，Fbank在小数据集上表现最优，而传统MFCC虽稳定但稍显不足。实验表明，在深度学习时代，基于物理模型的传统特征仍具独特价值，特征融合或是未来方向。
【聚类分析】降维聚类判断是谁在说话
本文基于 VoxCeleb1 语音数据集，探索了通过语音特征提取与聚类分析来识别说话人身份的可行性。文章首先介绍了语音数据的聚类任务及其意义，并对比了两种常见的语音特征——MFCC 和 Fbank，指出 MFCC 更具代表性。随后，探讨了降维方法 PCA 和 t-SNE 的应用场景与效果，认为 t-SNE 在保留语音结构方面更优。接着，对三种主流聚类方法（KMeans、DBSCAN、层次聚类）进行了评估，发现 KMeans 在 MFCC + t-SNE 组合下聚类效果最佳，并提供了相应的数据支持。此外，文章还分析了每个说话人语音在聚类中的表现差异，揭示语音聚类并非绝对精准，而是受特征、样本量、噪声等因素影响。最后提出了未来改进的方向，如使用深度学习特征、优化降维参数、增加样本量等，以为进一步提升语音聚类的效果和实用性。
【降维分析】 声音的可视化探索：从鸟叫到声纹识别
本文从鸟叫声的三维可视化获得灵感，系统性地探索了声音在降维空间中的可区分性。通过对比不同歌曲和不同人的朗读音频，综合运用PCA与t-SNE技术，成功将高维音频特征投射到三维空间进行观察。实验发现，不同个体的声音在空间中呈现出独特的分布与轨迹，不仅中心点位置分离，其高能量特征点的分布模式与时间连续性也蕴含了丰富的声纹信息。这些结果为理解音色、口音乃至特定发音在空间中的“签名”提供了直观证据，并为进一步研究声纹识别和语音内容分析开辟了新颖的视觉探索路径。
