我正在研究语音识别，特别是使用 MFCC 进行特征提取。我在网上找到的所有示例都倾向于绘制从特定话语中提取的一系列 MFCC，如下所示（由我从我正在编写的软件生成的图表）：
如上图所示：
- x 轴用于每个 MFC 系数（在此示例中为 1 到 12 ）
- y 轴用于系数的值（在本例中范围为 -12 到 42）
- 您的行数与提取的帧或特征向量一样多（在本例中为 140）。
现在，这对我来说没有太大意义，因为我们在这里看到的是所有特征向量同时叠加，丢失了任何时间信息。我很难理解这种表示如何有用。
在我看来，我会将提取的向量表示如下（再次，由我生成的图）：
在上图中：
- x 轴是帧或向量编号（1 到 140）
- y 轴是系数值（同样，从 -12 到 42 aprox）
- 每个功能都有一行(12)。
对我来说，这种表示应该更有用，因为您可以看到每个特定特征的时间演变，并且在我看来，这应该对如何将比较算法应用于口语单词产生更大的影响。
也许这两种表示对于不同的目的同样有效和有用，就像您需要在时域或频域中研究信号时一样，但在语音识别的情况下，我希望每个人的时间演变特征比每个特征的值密度更有意义（也许我完全错了：P）。
所以，其实有两个问题：
- 为什么第一个表示似乎被广泛使用而不是第二个？
- 当您想比较两组提取的 MFCC 时，例如使用动态时间扭曲 - DTW，并且与本主题相关，您是比较特征向量（即 12 个特征的 140 个向量）还是帧（140 个帧的 12 个向量） )? （换句话说，MxN 还是 NxM？）
谢谢！
