语音信号数字处理-倒(频)谱和线谱对.ppt

  1. 1、本文档共49页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
语音信号数字处理-倒(频)谱和线谱对

* 定义两个p+1阶多项式 将 代入上式中 * 令 ,可将P与Q的公式化作 对于 ,当 时 对于 ,当 时 * 对 ,令 对 ,令 0 图5 * 从(4.17),(4.18)可得 * 对于P(Z),p+1阶多项式的特点为Z-1项与Z-p项, Z-2项与Z-(p-1)项,…,系数相等; 对于Q(Z),p+1阶多项式的特点为Z-1项与Z-p项, Z-2项与Z-(p-1)项,…,系数相等但符号相反。 因此, P(Z) ——对称实系数p+1阶多项式, Q(Z) ——反对称实系数p+1阶多项式。 因此: * 由于P(Z)和Q(Z)的零点在单位园上(4-19式),由这些零点构成的基本因式为 取p为偶数,P(Z)的零点为 Q(Z)的零点为 可将P(Z)与Q(Z)改写为 * P(Z)与Q(Z)的零点有如下关系(图5) 由于 成对出现,故称之为“线谱对” 从LPC功率谱看 * P(Z)有一个Z=-1的零点,其它的零点为 * 这时(4.24)可表示为 同理可得 从(4.25)和(4.26)看出,当???i,或???i时,P(ej?)?0或Q(ej?)?0,因此如果P(?)和Q(?)的一对零点靠得很近,这时公式(4.23)的LPC功率谱|H(ej?)|2会趋于很大的值,显示强的谐振特性。 * 传递函数和线谱对的关系(横轴上的圆点是线谱对频率位置) * 六、LSP合成滤波器信号流图 公式推导:目标寻找u(n)与s(n)的关系,中间要使用?i和?i, i=1,2,…, p/2。 从逆滤波器出发 等号两边同时 加上S(Z) + + - * 下面我们专门研究A(Z)-1与?i及?i的关系 其中 * 展开(4.28)式 为了得到流图,举一个简单的例子,比如p=8,代入上式得到: * 将上式改写为 * 同理可得 将p=8代入(4.33)式,得到 * 现在来表示基本的结点,比如 输入为1,输出为 输入 输出 1 看右图,从右至左 再看 输入为1 输出为 此点为加法器 * 再来看下一张图 输入 输出 1 同样,可以画出 的图。 * 这样就可以得到LSP合成滤波器的信号流图 -1 * 总结: 卷积同态系统 倒谱分析及倒频谱 傅立叶倒谱和LPC倒谱(LPCC) MFCC 线谱对(LSP) LSP合成滤波器 语音信号数字处理 第四章 倒(频)谱和线谱对 * 概述 信号的分析是压缩过程 信号经过特征提取后,被大大压缩,利于传输、保存、分析、识别 频谱:FFT频谱?幅度对称?N=512、1024比较大 是否有更好的特征? 从系统分析的思路?特征提取的思路 * 一、卷积同态系统和倒谱分析 加性信号,可以用熟知的线性系统分析和处理方法进行处理。 但许多客观物理现象中的信号,其组成成分并不是按线性原则组合的,如声道模型:y(n)=x(n)*h(n)。 图1 * 通常,不同元音间的激励信号差异很小,因此在类似语音识别这样的应用中,研究者更关心的是声道的特性,因为从某种意义上讲,声道的特性是不同语音之间特征的差异所在。 人们只能观察到实际的语音,即卷积的结果,要想从中求出声道特性,即卷积运算的一个变元,是很困难的。从两个信号之间卷积的结果中求出其中某一个信号的过程称为“解卷积”。 我们对线性系统熟悉。如果能把上面的卷积系统转换为线性系统,那么只要估计出激励,通过线性性就可以容易地求出声道特征了。 那么是否可以把这种卷(积)性信号变成加性信号呢?答案是肯定的。卷积同态信号处理方法可以解决这类问题。 * 卷积同态系统框图 图2 * “卷积同态系统”的输入输出信号都是卷性信号,即具有相互卷积的关系。 同态系统的一个最主要理论结果就是同态系统的分解,分解的目的是用两个特征系统和一个线性系统来代替非线性的同态系统。图2给出了同态系统H(z)的组成。 * 卷积同态系统框图 图2’ 特征系统 逆特征系统 线性系统 * 特征系统 原系统:y(n)=x(n)*h(n) 经过特征系统后信号变换为: 具有线性性了 * 线性系统 可以进行各种处理--比如去掉那些不关心的分量 比如在语音产生模型中,我们如果把声门激励的特征值估计值 减去,可以得到声道特征值的估计值 : * 逆特征系统 把信号恢复为原始的卷性信号 如果是经过声门激励的去除处理,那么就得到

您可能关注的文档

文档评论(0)

zhuwo + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档