实验4基于MATLAB的语音信号LPC分析.ppt

一、实验目的 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 。 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 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 协方差法 如果在最佳线性预测中，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，则可得到类似的方程： 全极点声道模型 能量分析是基于语音信号能量随时间有相当大的变化，将线性预测分析应用于语音信号处理，不仅是为了利用其预测功能，更因为它提供了一个非常好的声道模型。 将式(2)所示的方程看成是滤波器在语音信号激励下的输入输出方程，则该滤波器称为预测误差滤波器，其e(n)是输出误差。变换到z域，P阶预测误差滤波器的系统函数为 LPC 如果声道特性H(Z)用式(14)所示的全极点模型表示，有 结合语音帧能量构成LPC组合参数 实验证明，组合参数可以提高系统的识别性能。 组合参数虽然可以提高系统的性能，但很显然，无论是在特征参数提取环节，还是在模型训练和模型匹配环节都使运算量有所增加。在特征参数提取环节，要计算一种以上的特征参数。在模型训练和模型匹配环节，由于组合参数特征矢量的维数较多，使运算复杂度有所增加。运算量的增加会使系统的识别速度受到影响。 为使运算量问题得到较好的解决，所以可以由LPC参数与语音帧能量构成组合参数，能够在运算量增加不明显的情况下改进系统的性能。 语音帧能量是指一帧语音信号的能量，它等于该帧语音样值的平方和。选取与语音帧能量构成组合参数主要有以下考虑：1）语音帧能量是语音信号最基本的短时参数之一，它表征一帧语音信号能量的大小，是语音信号一个重要的时域特征；2）由一帧语音求出的语音帧能量是一个标量值，与其它参量构成组合参数不会使原特征矢量的维数明显增加，特征矢量的维数越少，则需要的运算复杂度越小，另外，获取语音帧能量的运算并不复杂；3）语音帧能量与LPC参数之间的相关性不大，它们反映的是语音信号的不同特征，应该有较好的效果。 模型增益G 实验结果(参考) 我们使用的原始语音为“kdt_070”，采样频率为11000Hz,运行程序见附录。 在这里我们取第30帧进行观察，线性预测阶数为12，看到图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。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 fLength(1 : 2 * N) = [origin,zeros(1,N)]; Xm = fft(fLength,2 * N); X = Xm .* conj(Xm); Y = fft(X , 2 * N); Rk = Y(1 : N); PART = sum(coef(2 : N1 + 1) .* Rk(1 : N1)); G = sqrt(sum(Frame.^2) - PART); A = (FTframe1 - FFT_est(1 : length(f1))) ./ FTframe1 ; % inverse filter A(Z) subplot(2,1,1),plot(f1,20*log(abs(FTframe1)),f1,(20*log(abs(1 ./ A))),-r);grid;title(短时谱); subplot(2,1,2),plot(f1,(20*log(abs(G ./ A))));grid;title(LPC谱); pause temp = FTframe1 - FFT_est(1 : length(f1)); % not move higher frequnce pitch1 = log(abs(temp)); pLength = length(pitch1); result1 = ifft(pitch1,N); % move higher frequnce pitch1((pLength - 32) : pLength) = 0; result2 = ifft(pitch1,N); % direct do real cepstrum with err pitch = fftshift(rceps(err)); origin_pitch = fftshift(rceps(Frame)); subplot(211),plot(origin_pitch);grid;title(原始语音帧倒谱(直接调用函数)); subplot(212),plot(pitch);grid;title(预测误差倒谱(直接调用函数)); pause subplot(211),plot(1