第6章 语音号线性预测分析.pptVIP

第六章 语音信号线性预测分析;6.1 概述;6.2 LPC的基本原理 ; 设语音信号的样值序列为： p阶线性预测：根据信号过去p个取样值的加权和来预测信号当前取样值s(n)，此时的预测器称为p阶预测器。 设 为s(n)的预测值，则有;p阶线性预测器的传递函数为 ;A(z)称为LPC误差滤波器. LPC分析：即设计预测误差滤波器A(z)的过程，也就是求解预测系数，使得预测器的误差e(n)在某个预定的准则下最小。 ; 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 ;上式称为正交方程。;令s(n)的自相关序列为 由于自相关序列为偶对称，因此 上式称为标准方程式，它表明只要语音信号是已知 的，则p个预测系数 通过求解该方程即可得到。;设 ;6.3 LPC和语音信号模型的关系 ;声门激励、声道调制和嘴唇辐射的合成贡献，可用 如下数字时变滤波器表示; 一般都用AR模型作为语音信号处理的常用模型。此时H(z)写为 当p足够大时，上式几乎可以模拟所有语音信号的声道系统。 采用简化模型的主要优点：可以用线性预测分析法对增益G和滤波器系数进行直接而高效的计算。; 在语音产生的数字模型中，语音抽样信号s(n)和激励信号之间的关系可用下列差分方程来表示： 可见，如果语音信号准确服从上式的模型，则 ，所以预测误差滤波器A(z)是H（z）的逆滤波器，故有下式成立： ; 线性预测误差滤波相当于一个逆滤波过程或逆逼近过程，当调整滤波器A(z)的参数使输出e(n)逼近一个白噪声序列u(n)时，A(z)和H(z)是等效的，而按最小均方误差准则求解线性预测系数正是使输出e(n)白化的过程。 ;6.4 LPC方程的自相关解法及其MATLAB实现;以上两式组合起来得; 可见，为了解得线性预测系数，必须首先计算出自相关序列R(k) ，R(k)可用下式估计 ; 自相关法的详细求解过程 利用对称托普利兹(Toeplitz)矩阵的性质，自相关法求解可用Levinson-Durbin（莱文逊-杜宾）递推算法求解。 该方法是目前广泛采用的一种方法。利用Levinson-Durbin算法递推时，从最低阶预测器开始，由低阶到高阶进行逐阶递推计算。;自相关法递推过程如下;6.5 模型增益G的确定;等式左边为;6.6 线谱对LSP分析 ;6.6.1 LSP的定义和特点;可以推出;此处假定p是偶数，这样P(z)和Q(z)各有p/2个共轭复根位于单位圆上，共轭复根的形式为 ; 由于LSP参数 成对出现，且反映信号的频 谱特性，因此称为线谱对。它们就是线谱对分析所 要求解的参数。 LSP参数的特性： 1．LSP参数都在单位圆上且降序排列。 2．与LSP参数对应的LSF升序排列，且P(z)和 Q(z)的根相互交替出现，这可使与LSP参数对应的 LPC滤波器的稳定性得到保证。 原因：上述特性保证了在单位圆上，任何时候 P(z)和Q(z)不可能同时为零。 ; 3． LSP参数具有相对独立的性质。如果某个特定 的LSP参数中只移动其中任意一个线谱频率的位置， 那么它所对应的频谱只在附近与原始语音频谱有差 异，而在其它LSP频率上则变化很小。 优点：有利于LSP参数的量化和内插。 ;4 ．LSP参数能够反映声道幅度谱的特点，在幅度大 的地方分布较密，反之较疏。这样就相当于反映出了 幅度谱中的共振峰特性。 原因：按照线性预测分析的原理，语音信号的谱 特性可以由LPC模型谱来估计，将下面两式相加 可得 ; 可见：LSP分析是用p个离散频率的分布密度来表示语音信号谱特性的一种方法。即在语音信号幅度谱较大的地方LSP分布较密，反之较疏。 5．相邻帧LSP参数之间都具有较强的相关性，便 于语音编码时帧间参数的内插。 ;LSP特性实验仿真结果;LSP特性实验仿真结果;LSP特性实验仿真结果;LSP特性实验仿真结果;6.6.2 LPC参数到LSP参数的转换及MATLAB实现 ;第一种方法：利用代数方程式求解。;第