5第五章 数据建模与系统辨识.pptVIP

* * * * * * * * * * * * 5.6 AR模型在语音分析与合成中的应用 5.6.1 语音产生的模型 人类的发声器官包括声门、声带、口腔和鼻腔等。正常发音时，人们扩张和压缩胸腔，迫使空气从肺部穿过气管，越过声门和声带，于是产生了作为声源的声门激励信号； 该信号通过口腔、鼻腔等组成的“声道”，形成了语音。从声学的观点来看，不同的语音是由于发音器官中声音激励源与口腔、鼻腔声道的形状不同而产生的。 根据激励源与声道物理模型的不同，语音可分为两类：一类是浊音，一类是清音。浊音是由肺压缩空气，通过声门引起声带振动而产生的，即如果声带的张力刚好使声带发生张弛振荡式的振动，就产生准周期的空气脉冲，从而激励声道得到浊音，如汉语拼音中的韵母、国际音标中的元音和[ d ]，[ b ]等辅音。 如果声道在某处（一般在接近嘴的一端）有一收缩，同时迫使空气高速冲过这一收缩部分而产生湍流，就产生清音，此时声带不振动，建立的宽带噪声源激励声道。如汉语拼音中除m , n , r , l以外的声母，国际音标中的[ t ], [ k ]等辅音。 * * * * * * * * * * * * * * 语音：人与人的沟通介面 * * * * * * * * 声学研究表明，声道系统与声源之间存在着相当弱的相互关系，可以近似地描述成为线性系统。 所以，语音输出在数学上可表示为声源激励与声道的传递函数的巻积。 通常，可把声源近似认为准周期脉冲发生器与随机噪声发生器，而声道起声滤波器的作用，它们都是时间的函数。 * * 典型的离散化语音产生系统如图5.10所示 * * * * * * * * 祝大家复习愉快！ http://www.fon.hum.uva.nl/praat/ 任何平稳随机信号可以看作是由白噪声序列激励一个因果的线性时不变系统产生的输出。（谱分解定理）。按此对信号进行建摸，不同的系统函数对应不同模型。 * * * * * * * * * * * * * * 5.2.2 动态数据建模 在工程界、自然界、社会界，往往会遇到下列的“黑箱”情况。 （1） 系统的输入无法观测。例如，飞机、车辆、机床等在工作时，它们的输入是什么，难于观测与描述。 （2） 对一个系统可观测到多个时序，例如，大气中的降雨量、气温、气压，切削过程中的切削力、切削温度、刀具磨损。而这些时序之间的因果关系并不清楚或不完全清楚。 （3） 系统受到的噪声太多太强，甚至按控制理论要求所施加的输入信号完全被淹没。 （4） 系统的边界上什么，这点也不清楚。例如，以市场某些商品逐日价格作为输出，以工件表面形貌采样数据作为输出，那么，什么是相应系统的边界，这是难于讲清楚的。 * * * * * * * * 5.2.4 系统辨识的技术基础 无论是采用哪一种参数模型进行系统辨识，都包含如图5.3所示的三个主要内容：模型阶数确定，模型参数估计，模型适用性检验。要能获得正确的参数模型，不仅应按一定准则完成这三方面的工作，而且还应保证具备下列三方面的技术基础。 （1）必须尽可能准确地观测与记录系统输出信号或数据。这是整个建模工作的基础，因为它提供了有关系统的可靠基础。这点依赖于现代的测试手段及其正确是使用。 （2）必须正确地分析与处理所获得的数据。这是整个建模工作的关键，因为它将蕴藏在数据序列的顺序与大小中的有关信息正确地提炼出来。这点依赖于数字计算机、相应的方法与准则。 （3）必须尽可能地对所研究的系统有所了解，尽可能正确地理解系统的输出数据与所处理的结果。这是获得尽可能符合系统实际情况的保证。这点依赖于对有关系统的专业知识的了解。对于时序建模，因为缺乏对输入、对输入与输出间因果关系的了解，这一点就更为重要。 * * 5.3 AR(1)模型 * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 5.5 AR模型参数的直接估计法 AR模型的参数估计方法大致可分为两类： 一类称为直接估计法，这类方法直接根据观测数据或数据的统计特性估计出模型参数； 另一类称为递推估计法，在这类方法中，根据递推对象与递推方式的不同，又可分为矩阵递推估计法、参数递推估计法和实时递推估计法。 矩阵递推估计法是指参数估计过程中所使用的矩阵可由低阶矩阵递推计算出，即递推对象是矩阵； 参数递推估计法是指高阶模型参数可由低阶模型参数递推估计出，即递推对象是模型参数; 实时递推估计法是一种不断采样新数据、不断根据新数据修改原估计的模型参数的实时算法。