ARMA模型在语音信号线性预测分析中的应用教程.doc

ARMA模型在语音信号线性预测分析中的应用 摘要：语音信号是一种典型的非平稳随机信号，对语音做分帧处理后可以将其看作准平稳随机信号，从而使用处理平稳随机信号的方法进行处理。由于语音信号的产生可以用一个有理函数式来表达，因此可以用ARMA模型来对语音信号进行建模分析。本文介绍了用于随机时间序列的ARMA模型，线性预测分析的原理及方法，分析了ARMA模型中的AR模型在语音线性预测分析中的应用，阐述了在线性预测分析中AR模型参数求解的具体方法以及影响因素。 关键词：ARMA模型，AR模型，线性预测分析，语音信号，随机信号，随机时间序列 引言 语音信号是一种随机信号，其特性及表征本质特征的参数均是随时间而变化的，是一种非平稳随机过程，所以语音信号的数学模型中的参数应该是随时间而变化的。虽然语音信号具有时变特性，但是它的特性随时间变化是很缓慢的在一个短时间范围内（一般为10~30ms），其特性基本保持不变，即短时平稳性。所以可以做出一些合理的假设，将语音信号分为一些相继的短段进行处理，在这些短段内认为语音信号特性是不随时间变化的平稳随机过程，然后应用平稳随机过程的方法来处理语音信号。将语音信号分为一帧一帧来分析其特征参数（帧长取为10~30ms），这样对于整体的语音信号而言，分析出的是由每一帧特征参数组成的特征参数随机时间序列。因为语音信号是一种随机过程，所以在语音信号处理的很多方面可以应用随机模型分析法对语音信号进行处理分析。ARMA模型是常用的拟合随机时间序列的模型，语音信号的线性预测分析（LPC）就是ARMA模型在语音信号处理中的一种具体应用。下文首先阐述ARMA模型，然后介绍它在语音信号线性预测分析中的应用方法。 ARMA模型 ARMA模型全称自回归滑动平均模型(Auto Regressive Moving Average Model)，是研究平稳随机过程有理谱的典型方法，适用于很大一类实际问题。ARMA模型频谱分辨率高，已成为随机信号和现代谱分析中的一种重要的参数模型。ARMA模型由博克斯(Box)和詹金斯(Jenkins)创立，也称B-J方法，其基本思想是：某些时间序列是依赖于时间的一组时间变量，构成该时序的单个序列值虽然具有不确定性，但整个序列的变化确有一定的规律性，可以用相应的数学模型近似描述。通过对该数学模型的分析和研究，能够更本质地认识时间序列的结构和特征，达到最小均方误差意义下的最优预测。 实际应用中所遇到的很多随机过程可以用有理传输函数模型很好地逼近，如图所示，输入激励是均值为0、方差为的白噪声序列，系统的传输函数为：。式中，是前馈（动平均）支路的系数，称为MA系数；是反馈（自回归）支路的系数，称为AR系数。系统的输出序列是被建模的离散随机信号。该模型的输出和输入之间满足差分方程：，设。输出功率谱和输入功率谱存在以下关系： 。 ARMA模型可以细分为以下三种：AR模型、MA 模型和ARMA模型三类。因为的值仅与系统的增益有关，所以可以归结到中去，不失一般性，可令。下面具体讨论这三种模型。 AR模型(Auto Regression Model)： 如果除外其它的MA系数都等于零，则，这种模型称为p阶自回归模型或简称为模型，其传输函数为，模型的输出功率谱密度为，这是一个全极点模型。在模型中，系统的输出仅与白噪声序列的当前值和的p个过去值有关。 MA模型(Moving Average Model)： 如果除外其它的AR系数都等于零，则，这种模型称为q阶滑动平均模型或简称为模型，其传输函数为，模型的输出功率谱为，这是一个全零点模型。在模型中，系统的输出仅与白噪声序列的当前值和的q个过去值有关。 ARMA模型： 设，其它的和不全为零，则，这种模型称为自回归滑动平均模型或简称为，这是一个零极点模型。 AR模型和MA模型是ARMA模型的特例，模型是由模型经过q=0退化而来，模型是由模型经过p=0退化而来。Wold分解定理阐明了上述三种模型之间的联系。该定理认为：任何广义平稳随机过程都可以分解为一个完全随机的部分和一个确定的部分。确定性随机过程是一个可以根据其过去的无限个采样值完全加以预测的随机过程。例如，一个由纯正弦信号（具有随机相位以保证广义平稳）和白噪声组成的随机过程，可以分解为一个纯随机成分（白噪声）和一个确定性成分（正弦信号）。或者可以把这种分解看成是把功率谱分解为一个表示白噪声的连续成分和一个表示正弦信号的离散成分（具有冲击信号的形式）。Wold分解定理的一个推论是：如果功率谱完全是连续的，那么任何的或过程都能用无限阶的（p为无穷大）过程表示；同样，任何的或过程都能用无限阶的(q为无穷大)过程表示。这个定理很重要，因为如果选择了一个不合适的模型，只要模型的阶足够高，它任然能够比较好地逼近被建模的随机过程。 估计ARM