基于MATLA语音频域特征分析.doc

经典功率谱估计与现代功率谱估计的对比 [摘要]本文主要介绍了在MATLAB环境下，功率谱；功率谱估计；经典功率谱估计；现代功率谱估计语谱图信号的频谱分析是研究信号特性的重要手段之一，通常是求其功率谱来进行频谱分析。功率谱反映了随机信号各频率成份功率能量的分布情况，可以揭示信号中隐含的周期性及靠得很近的谱峰等有用信息，在许多领域都发挥了重要作用。然而，实际应用中的平稳随机信号通常是有限长的，只能根据有限长信号估计原信号的真实功率谱，这就是功率谱估计。 ⑴功率谱估计clear a=wavread(鸟语花香.wav); subplot(2,1,1), plot(a);title(original signal); grid; N=256; h=hamming(N); for m=1:N b(m)=a(m)*h(m); end y=20*log(abs(fft(b))); subplot(2,1,2); plot(y);title(短时谱); xlabel(频率(Hz)); ylabel(功率谱(db)); grid; ①%相关法：相关法是利用维纳-辛钦定理该方法先由序列x(n)估计出自相关函数R（n），然后对R(n)进行傅立叶变换，便得到x(n)的功率谱估计。 [xn,Fs,bits]=wavread(鸟语花香.wav); n=0:1/Fs:1; nfft=512; cxn=xcorr(xn,unbiased); CXk=fft(cxn,nfft); Pxx=abs(CXk); index=0:round(nfft/2-1); k=index*Fs/nfft; a=log(10); b=log(Pxx(index+1)); c=b/a; plot_Pxx=10*c; plot(k,plot_Pxx); xlabel(frequeney（hz）相关法); ylabel(power spectraldensity); title(recorrelation psd estimate); ②周期图法 周期图法是直接将信号的采样数据x(n)进行Fourier变换求取功率谱密度估计的方法。假定有限长随机信号序列为x(n)。它的Fourier变换和功率谱密度估计存在下面的关系： 式中，N为随机信号序列x(n)的长度。在离散的频率点,有： 其中，FFT[x(n)]为对序列x(n)的Fourier变换，由于FFT[x(n)]的周期为N，求得的功率谱估计以N为周期，因此这种方法称为周期图法。下面用例子说明如何采用这种方法进行功率谱估计。 N=512;Nfft=256; %数据长度和FFT所用的数据长度 [xn,Fs,bits]=wavread(鸟语花香.wav);%fs是采样频率 n=0:N-1;t=n/Fs; %采用的时间序列 Pxx=10*log10(abs(fft(xn,Nfft).^2)/N);%Fourier振幅谱平方的平均值，并转换为dB f=(0:length(Pxx)-1)*Fs/length(Pxx); %给出频率序列 plot(f,Pxx); %绘制功率谱曲线 xlabel(频率/Hz);ylabel(功率谱/dB); title(周期图N=256);grid on; ③分段平均周期图法（Bartlett法） 将信号序列x(n)，n=0,1,…,N-1，分成互不重叠的P个小段，每小段由m个采样值，则P*m=N。对每个小段信号序列进行功率谱估计，然后再取平均作为整个序列x(n)的功率谱估计。 平均周期图法还可以对信号x(n)进行重叠分段，如按2:1重叠分段，即前一段信号和后一段信号有一半是重叠的。对每一小段信号序列进行功率谱估计，然后再取平均值作为整个序列x(n)的功率谱估计。 这两种方法都称为平均周期图法，一般后者比前者好。 %Samp9_6 %运用信号不重叠分段估计功率谱 [xn,Fs,bits]=wavread(鸟语花香.wav); N=1024;Nsec=256;n=0:N-1;t=n/Fs; %数据点数，分段间隔，时间序列 pxx1=abs(fft(xn(1:256),Nsec).^2)/Nsec; %第一段功率谱 pxx2=abs(fft(xn(257:512),Nsec).^2)/Nsec; %第二段功率谱 pxx3=abs(fft(xn(515:768),Nsec).^2)/Nsec; %第三段功率谱 pxx4=abs(fft(xn(769:1024),Nsec).^2)/Nsec; %第四段功率谱 Pxx=10*l