语音信号处理实验三陈乾贵解析.docVIP

哈尔滨理工大学 实验报告 课程名称：数字语音信号处理 学 院： 自动化学院 专业班级： 电技12-3班 学生姓名： 陈乾贵 学 号： 1212020302 指导教师： 马 静 实验 数字语音信号处理 时间 2015．11.4 实验名称 基于MATLAB的LPC分析 地点 B314 姓 名 陈乾贵 学号 1212020302 班级 电技12-3 同实验者 樊晓晨 1212020303 班级 电技12-3 一、实验目的 线性预测分析是最有效的语音分析技术之一，在语音编码、语音合成、语音识别和说话人识别等语音处理领域中得到了广泛的应用。语音线性预测的基本思想是：一个语音信号的抽样值可以用过去若干个取样值的线性组合来逼近。通过使实际语音抽样值与线性预测抽样值的均方误差达到最小，可以确定唯一的一组线性预测系数。 采用线性预测分析不仅能够得到语音信号的预测波形，而且能够提供一个非常好的声道模型。如果将语音模型看作激励源通过一个线性时不变系统产生的输出，那么可以利用LPC分析对声道参数进行估值，以少量低信息率的时变参数精确地描述语音波形及其频谱的性质。此外，LPC分析还能够对共振峰、功率谱等语音参数进行精确估计，LPC分析得到的参数可以作为语音识别的重要参数之一。 由于语音是一种短时平稳信号，因此只能利用一段语音来估计模型参数。此时有两种方案：一种是将长的语音序列加窗，然后对加窗语音进行LPC分析，只要限定窗的长度就可以保证分析的短时性，这种方案称为自相关法；另一种方案不对语音加窗，而是在计算均方预测误差时限制其取和区间，这样可以导出LPC分析的自协方差法。 本实验要求掌握LPC原理，会利用已学的知识，编写程序估计线性预测系数以及LPC的推演参数，并能利用所求的相关参数估计语音的端点、清浊音判断、基因周期、共振峰等。 二、实验原理 1．LPC分析基本原理 LPC分析为线性时不变因果稳定系统V（z）建立一个全极点模型，并利用均方误差准则，对已知的语音信号s(n)进行模型参数估计。 如果利用P个取样值来进行预测，则称为P阶线性预测。假P个取样值的加权之和来预测信号当前取样值S（n），则预测信号Sn为： 线性预测系数： 线性预测误差e(n) ：信号s(n)与其线性预测值之差。e(n)表示式为： 线性预测的基本问题就是由语音信号直接求出一组线性预测系数，使得在一短段语音波形中均方预测误差最小。将对各个系数求偏导，并令其结果为零，即 显然，误差越接近于零，线性预测的准确度在均方误差最小的意义上为最佳，由此可以计算出预测系数。?通过LPC分析，由若干帧语音可以得到若干组LPC参数，每组参数形成一个描绘该帧语音特征的矢量，即LPC特征矢量。由LPC特征矢量可以进一步得到很多种派生特征矢量，例如线性预测倒谱系数、线谱对特征、部分相关系数、对数面积比等等。不同的特征矢量具有不同的特点，它们在语音编码和识别领域有着不同的应用价值。 2．自相关法 在最佳线性预测中，若用下式定义的时间平均最小均方准则代替(3)式的集合平均最小均方准则，即令 值得注意的是，自相关法在计算预测误差时，数据段 的两端都需要加P个零取样值，因而可造成谱估计失真。特别是在短数据段的情况下，这一现实更为严重。另外，当预测系数量化时，有可能造成实际系统的不稳定。 自相关解法主要有杜宾算法、格型算法和舒尔算法等几种高效递推算法。 三、实验内容： (1) 利用matlab读取一段语音文件，采样频率为11000Hz，取第30帧进行观察，线性预测阶数为12 (2) 绘制图3.1所示的原始语音帧的波形，预测语音帧波形和它们之间预测误差的波形。 (3) 绘制图3.2为原始语音帧和预测语音帧的短时谱和LPC谱的波形。 (4) 改变线性误差的阶数来观察语音帧的短时谱和LP谱的变化情况，绘制图3.3并分析。 (5) 绘制图3.4——原始语音和预测误差的倒谱波形，从中计算出原始语音的基音周期。 (6) 绘制图3.5——原始语音的语谱图和预测语音的语谱图，通过比较发现，判断预测语音的预测效果。 四、实验结果： 实验窗口： 运行结果： 原始语音和预测后语音及误差： 2、原始语音和预测误差倒谱： 3、没有去除高频分量： 运行程序: musicSource = wavread(卡农capo4.wav); musicSource = musicSource * [1;1]; music_source = musicSource; N = 256; Hamm = hamming(N); frame = inpu