對于Log-Normal PMC(見圖1-II)，純凈語音模型同噪聲模型的合并是在線性譜域進行。那么純凈語音和噪聲模型的參數先要從倒譜域變換到對數譜域，然后再映射到線性譜域。在線性譜域進行模型的合并，然后進行相反的操作把模型參數映射變換回倒譜域。另一方面，Log―Add PMC(見圖1一I)模型的補償是在對數譜域進行。
通常的噪聲信號有兩類：卷積噪聲(信道的頻率響應)和加性噪聲。在本文中僅考慮加性噪聲情況。在文章中采用以下假設：1)噪聲是平穩加性噪聲，噪聲和語音信號是相互統計獨立的；2)每個子帶的對數頻譜域的特征(功率譜)分布被認為是(混合)高斯分布，Mel線性譜域的特征分布被認為是(混合)對數一正態分布。那么在Mel線性譜域第k個子帶帶噪語音特征Yk為：

其中Xk和Nk分別是線性頻譜域的純凈語音和噪聲子帶特征(“觀測”)。g是調節噪聲和語音的縮放比例因子，為了表達簡單起見，在后面的算法公式中省略此縮放比例因子g。那么對數頻譜域子帶的帶噪語音特征Ykl同純凈語音特征Xkl和噪聲特征Nkl的失配函數為：

2．1 靜態特征補償
對于Log-Normal PMC靜態模型特征補償的核心算法是對數譜域與線性譜域之間的非線性映射同線性譜域模型的合并，即：

其中k、l分別為第k、l個子帶。
對于Log―Add PMC靜態模型特征補償的只對均值進行補償：

2．2 動態特征補償
由于推導出嚴格的Log―Normal PMC動態特征補償算法非常困難，目前對Log―Normal PMC的動態特征補償一般采用粗略的補償方法，只對其均值進行補償。

對于Log-Add PMC其動態特征補償算法為：

3 新的動態模型參數補償方法
在本文中，使用靜態“觀測”的時間導數作為動態的“觀測”。這樣，動態特征的失配函數就應等于靜態特征的失配函數的一階導函數。根據(2)，動態特征失配函數為：

定義一個附加的隨機變量Zkl，定義為Zkl=Nkl一Xkl。由于Nkl和Xkl均為正態分布，并且他們之間相互獨立，那么隨機變量Zkl也是一個正態分布。其的均值和方差分別可以表示為μZkl=μNkl-μXkl和那么動態失配函數(9)就可以進一步改寫成含Zkl的函數。

由于假設背景噪聲為平穩加性噪聲，那么噪聲動態特征的均值就可以被近似為零。本文還假設附加的隨機變量同語音和噪聲的動態特征不相關。這個假設也是DPCM的核心本質假設。由于靜態特征與其微分變換量之間是松相關的，所以這個假設是比較合理的。
3．1 均值補償
依據失配函數(10)和上述假設，對數譜域的帶噪語音特征的統計均值為：

其中

參數ti和ωi(i=l～n)是Hermite多項式Hn(t)的橫坐標和對應的權值。