В задаче улучшения речи я использую функции Log-Mel, объединенные с их дельтой и дельта-дельтой.
Величина функций нескольких кадров следующая:
введите описание изображения здесь
Когда я нормализую вышеупомянутые функции к нулевому среднему значению и единице дисперсии, их величина будет такой, как показано ниже, что должно быть более подходящим для обучения сети.
введите описание изображения здесь
Во втором случае (где функции нормализованы) результаты на удивление не так хороши, как в первом случае. Есть ли у вас анализ по этому поводу?
Спасибо