语音信号处理性预测教案分析.ppt

第4章 语音信号的线性预测分析 4.1 线性预测分析的基本原理 4.2 线性预测方程组的解法：自相关法 4.3 协方差法和格型法 4.4 线性预测分析与应用 － LPC谱估计和LPC复倒谱 4.5 线谱对(LSP)分析 根据语音信号的产生模型，语音信号S(Z)是一个线性非移变因果稳定系统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)是该系统的单位取样响应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。 由卷积信号求得参与卷积的各个信号的过程称为解卷过程。 解卷算法可以分为两大类： 第一类算法称为非模型解卷。同态信号处理完成解卷任务就是其中最重要的一种。 第二类是首先为线性系统V(Z)建立一个模型，然后对模型参数按照某种最佳准则进行估计，这种方法称为参数解卷方法。 采用的模型可以分为全极点模型（AR模型）和零极点模型（ARMA模型），如果采用最小均方误差准则对AR模型进行估计，就得到线性预测编码算法(LPC)。 全极点线性预测模型（lpc）可以对声管模型进行很好的描述，这里信号的激励源是由肺部气流的冲击引起的，声带可以有周期振动也可以不振动，分别对应浊音和清音，而每段声管则对应一个lpc模型的极点，一般情况下，极点的个数在12～16个之间，就可以足够清晰地描述语音信号的特征了 。 线性预测又叫线性预测分析、线性预测编码。语音信号的线性预测是指某一时刻的语音抽样能够用过去若干个语音抽样值的加权线性组合来逼近，且采用最小均方误差逼近的方法来估计加权系数。 加权系数称为预测系数，如果利用过去p个样点值来进行预测，称为p阶线性预测。 当应用于语音编码时，利用模型参数可有效地降低编码比特率 当应用于语音识别时，将LPA参数形成模板存贮，可提高识别率和减少计算时间 利用LPA技术可以进行语音合成 4.1 线性预测分析的基本原理 3 线性预测增益 最小预测误差 1、改写方程式 线性预测方程组 改写方程式 求解该矩阵的一种常用递推算法 － Levinson-Durbin 反射系数ki与算法稳定性 出现一个重要参数ki，称为反射系数或偏相关(PARCOR)系数 自相关法的优点 ： 由于系数矩阵的特殊性质，可以采用高效的递推算法来求解，即著名的德宾算法 自相关法的缺点 ： 用加窗以后的语音信号做LPC分析，在起始点和终止点会引入较大的误差，直观的讲，是由于在起始点用了过去的零值点来预测当前的非零信号样值，而在终止点用了非零样值来预测零样值输出。 为了减少上述两端段的误差，一般不采用突变的矩形窗，而是使用两端具有平滑过渡特性的窗口，如哈明窗等 当NP时，这个误差段所占的比例很小，对求解的精度影响不大；一般的，N=160~240；p=8~12，这个假设基本成立。 4.3 协方差法和格型法 自相关法 语音信号加窗 协方差法 语音信号不加窗 均方误差求和限固定 协方差方程 4.3.2自相关法和协方差法的比较 方法的选样取决于经验和对s(n)作出的假设。就信号特性而言，自相关法适用于平稳信号而协方差法适用于非平稳信号。 在语音处理中，由经验可知自相关法对摩擦音来说可以给出比较好的结果，而协方差法对于周期性语音可以给出比较好的结果。 利用Levison-Durbin的递归解法和Cholesky分解能够分别有效地求解自相关方程和协方差方程。 采用自相关法略微简单一些。 采用自相关法，由于引用了窗函数来截取，使s(m)总是不同于原来的信号，从而引入了误差。所以用自相关法求得的预测系数精度是不高的，这是自相关法本质性的缺点。 而协方差法由于无需加窗。计算精度大大提高，所得到的协方差系数能更精确地代表语音信号。 它的主要缺点是不具有自相关法中|ki|1的条件，可能会产生不稳定的逆滤波器。因此不能保证解的稳定性。有时会导致严重的不稳定，因而不得不随时判定D(z)的极点位置，不断加以修正，才能得到稳定的结果。 4.3.3 格型法 从上一节的讨沦可以看出，不论是自相关法还是协方差法都分为两步： ①计算相关值的矩阵； ② 解一组线性方程。 由于这两种方法的精度和稳定性之间均存在矛盾，所以导致了另一类算法的发展，这就是格型法。 七十年代初，日本学者板仓在美国从事研究时，在分析自相关法的基础上，引入了“正向预测”和“反向预测”的概念，阐述了参数ki的物理意义，首先提出了逆滤波器A(z)的格型结构形式。 这种格型法不需要用窗口函数对信号进行加权，同时又保证解的稳定性，因而较好地解决了精度和稳定性之间的矛盾。 由于引入了正向预测和反向预测的概念，使均方误差