DSP 语音信号的线性预测编码（lpc）.pdfVIP

第三章 语音信号的线性预测编码（LPC ） 用波形编码方法可以使语音传输比特率降至16kb/s 至6416kb/s 。而采用对语 音参数编码的分析综合方法可使传输比特率进一步降低至 600b/s 至2.4kb/s 。这 种参数编码方法是根据语音产生模型直接提取声道参数，并对参数进行编码。 根据语音信号的产生模型语音信号S (Z ) 是一个线性非移交因果稳定系统 V( Z) 受到信号E (Z ) 激励后所产生的输出。在时域中，语音信号s (n) 是该系统的 单位冲击响应v(n) 和激励信号e(n) 的卷积。在语音信号数字处理所涉及的各个领 域中，根据s (n) 来求得v(n) 和e(n) 具有非常重要的意义。例如，为了求得语音信 号的共振峰就需要知道V( Z) 。又如，为了判断语音信号是清音还是浊音以及求 得浊音情况下的基音频率，就应该知道e(n) 或E (Z ) 。在实现各种语音编码、识 别、合成以及说话人验证和识别等算法时无不需要由v(n) 和e(n) 的卷积s (n) 来求 得v(n) 和e(n) 。 由卷积信号求得参与卷积的各个信号是数字信号处理各个领域中普遍遇到 的一项共同的任务，解决此任务的算法称为解卷算法。解卷算法可以分成两大类。 第一类算法中首先为线性系统V( Z) 建立一个模型，然后对模型的参数按照某种 最佳准则进行估计所以这种算法称为“参数解卷”。如果所取的模型中只包含有 限值极点而没有有限值零点因而系统的函数可以表示为V( Z) 1/ A( Z) ，其中， P A(Z ) ∑a Z −i ，这时解卷算法可以归结为对各模型参数a 进行估计。这种模型 i i i 1 即称为“全极点模型”或称为“AR 模型”（AR 是AUTOREGRESSIVE 的缩写）。 如果采用最小均方误差（简记为LMS 误差，LMS 是Least Mean Square 的缩写） 低速率语音编码算法研究及其实时实现 21 准则对AR 模型参数进行估计，就得到了著名的线性预测编码（LPC ）算法（LPC 是 Linear Predictive Coding 的缩写）。如果所取的模型中既包含有限极点又包含 有限值零点，则称为“零极点模型”’或称之为“ARMA 模型”（ARMA 是 AUTOREGRESSIVE MOVING AVERAGE 的缩写）、对于这种模型迄今尚未找到 一种高效的参数估计算法。第二类算法则无需为线性系统建立一个模型。这一章 将依次介绍LPC 算法的基本原理、参数估计和仿真的结果。 3.1 线性预测编码的基本原理 线性预测编码的基本原理是建立在语音产生的数字模型基础上的。语音一般 可分成浊音和清音。语音信号s (n) 可以看作一个时变的声道系统在声门的激励之 下的输出信号。对浊音而言，声门激励为一周期脉冲串，而对清音而言，声门激 励为随机噪声序列。由此得出语音信号的简化模型，如图3-1 所示 图3-1 语音产生模型的简化方框图 在此，声道系统是一个时变系统，但相对于声门激励而言，它是一个随时间 t 而缓慢变化的系统，一般可认为在10~20ms 内声道系统近似不变。由声学理论 可知，除鼻音和摩擦音时声道系统H (z ) 需用零极点模型来模拟外，其他语音均 可用下述全极点系统来模拟： 22 第三章 语音信号的线性预测编码（LPC ） S (z ) G H (z ) （3.1 ） U