第4章 语音信号的时域分析06142.pptVIP

窗函数长度对短时自相关函数有重要影响； 一般要求，窗长大于两倍的基音周期为好。 图4.10：不同矩形窗长时的短时自相关函数 ◆为反映语音的周期性，长窗有利； ◆为反映语音的时变性，短窗有利； ◆可采用修正的短时自相关函数，折中处理。 第4章　语音信号的时域分析 4.5　短时自相关函数和短时平均幅度差函数 图4.10　不同矩形窗长时的短时 自相关函数（10 kHz取样） 4.5.3　修正的短时自相关函数 修正的短时自相关函数定义为： 或 式中， K——最大的延迟，保证计算任何k时，执行N次乘累加运算 矩形窗时，计算式可简化为： 是两个不同有限长度语音段和的互相关函数。 不满足对称性；但有周期性，幅度不下降。 第4章　语音信号的时域分析 4.5　短时自相关函数和短时平均幅度差函数 图4.11：修正短时自相关函数的曲线 ◆基音周期最大值为Tmax，则 的两段分别只需为Tmax和2Tmax ，可正确求取基音周期； ◆N 值较大时，随 k 增大， 峰值有所下降； ◆若信号为周期冲激串时，则所有的峰值同幅度。 第4章　语音信号的时域分析 4.5　短时自相关函数和短时平均幅度差函数 图4.11　不同矩形窗长时的修正短时自相关函数（10 kHz取样） 4.5.4　短时平均幅度差函数 短时自相关函数是语音信号时域分析的重要参量。 自相关函数的运算量大。原因：乘法运算时间较长。 避免乘法，引入短时平均幅度差函数 短时平均幅度差函数定义为： 式中，w1(m)和w2(m)是窗函数， 当窗的宽度选为 N 时，上式为： 若信号有周期性，在 时将出现极小值。 Np是周期 的性质类似于自相关函数； 第4章　语音信号的时域分析 4.5　短时自相关函数和短时平均幅度差函数 图4.12：周期性语音的Rn(k)和Fn(k) ◆特点：周期性信号，Fn(k)是在周期 的整数倍点上有谷值， 而不是峰值。 可以证明Rn(k)和Fn(k)有密切关系， 其关系为： 式中， 。 ◆计算Fn(k)只需加法、减法和取绝对值的运算； ◆与Rn(k)的加法和乘法相比，其运算量大大减少； ◆用硬件实现语音信号分析时有很大好处。 ◆ Fn(k)已用于许多实时语音处理系统中。 第4章　语音信号的时域分析 4.5　短时自相关函数和短时平均幅度差函数 图4.12　周期性语音的Rn(k)和Fn(k)的示例（8 kHz取样，窗长320） 图4.13：平均幅度差函数 ◆平均幅度差函数在浊音的基音周期上出现极小值， ◆在清音时没有明显的极小值。 第4章　语音信号的时域分析 4.5　短时自相关函数和短时平均幅度差函数 (a) 浊音　 　　(b) 清音 图4.13　语音的平均幅度差函数（10 kHz取样，窗长320） 例：已知某段语音信号，采样频率10kHz,提取其中的一帧浊音信号做平均幅度差（AMDF）分析，结果如图2所示，估计该段语音信号的基音周期 第4章　语音信号的时域分析 4.5　短时自相关函数和短时平均幅度差函数 答：根据上图可知，浊音信号平均幅度差函数对应的第一个极小值为基因周期的位置，因此可估算基因周期Tp=100/10k=10ms 第4章　语音信号的时域分析 4.6　短时时域处理技术的应用 4.6.1　语音端点检测 某些应用要求：找出语音端点，采集真正语音， 　　　　　　　　以减少数据量、运算量、处理时间。 语音端点检测：归结为区别语音和噪声。 若SNR很高，则计算信号的短时能量可区分语音端点。 实际应用中难保证高信噪比，不能仅依靠短时能量来判别； 某些语音端点判别会遇到特殊的困难： 弱摩擦音、弱爆破音、鼻音时，往往与背景噪声电平相近。 可补充利用短时平均过零率Zn进行判断：因清音和以上所举的音素的Zn比背景噪声的Zn要高数倍 。 第4章　语音信号的时域分析