语音信号处理第2版赵力语音信号处理第3章.pptVIP

倒谱法 从线性预测导出的声道滤波器是频谱包络估计器的最新形式，线性预测提供了一个优良的声道模型(条件是语音不含噪声)。尽管线性预测法的频率灵敏度和人耳不相匹配，但它仍是最廉价、最优良的行之有效的方法。 用线性预测可对语音信号进行解卷：即把激励分量归入预测残差中，得到声道响应的全极模型H(z)的分量，从而就得到这个分量的ai参数。另外，也可以采用抛物线内插技术，解决频率分辨率较低的情况下的共振峰频率值的求取，它的原理如图3-22所示。 倒谱法 这一章讨论了语音信号数字处理的一些基本问题和最重要或常用的若干处理方法，这些内容对语音信号数字处理的任何一个研究领域都是必需的，基中贯穿全书的是语音信号产生模型和语音信号的短时分析技术。 在线教务辅导网： 更多课程配套课件资源请访问在线教务辅导网 馋死 PPT研究院 POWERPOINT ACADEMY * * LPC谱估计和LPC复倒谱 1.LPC谱估计 当求出一组预测器系数后，就可以得到语音产生模型的频率响应，即： 因此在共振峰频率上其频率响应特性会出现峰值。所以线性预测分析法又可以看做是一种短时谱估计法。其频率响应H(ejω)即称为LPC谱。 LPC谱估计和LPC复倒谱 1.LPC谱估计 LPC谱估计具有一个特点：在信号能量较大的区域即接近谱的峰值处，LPC谱和信号谱很接近；而在信号能量较低的区域即接近谱的谷底处，则相差比较大。这个特点对于呈现谐波结构的浊音语音谱来说，就是在谐波成分处LPC谱匹配信号谱的效果要远比谐波之间好得多。LPC谱估计的这一特点实际上来自均方误差最小准则。 从以上讨论我们知道如果p选得很大，可以使|H(ejω)|精确地匹配于|S(ejω)|，而且极零模型也可以用全极点模型来代替，但却增加了计算量和存储量，且p增加到一定程度以后，预测平方误差的改善就很不明显了，因此在语音信号处理中，p一般选在8～14之间。 LPC谱估计和LPC复倒谱 2．LPC复倒谱 LPC系数是线性预测分析的基本参数，可以把这些系数变换为其他参数，以得到语音的其他替代表示方单。LPC系数可以表示整个LPC系统冲激响应的复倒谱。 按上式求得的复倒谱h^(n)称之为LPC复倒谱。 LPC复倒谱由于利用了线性预测中声道系统函数H(z)的最小相位特性，避免了相位卷绕问题；且LPC复倒谱的运算量小，它仅是用FFT求复倒谱时运算量的一半；又因为当p→∞时，语音信号的短时复频谱S(ejω)满足|S(ejω)|= |H(ejω)|，因而可以认为h^(n)包含了语音信号频谱包络信息，即可近似把h^(n)当作s(n)的短时复倒谱s^(n)，来分别估计出语音短时谱包络和声门激励参数。在实时语音识别中也经常采用LPC复倒谱作为特征矢量。 对以上所介绍的进行总结可知，为了估计语音信号的短时谱包络，有三种方法：①由LPC系数直接估计语音信号的谱包络；②由LPC倒谱估计谱包络；③求得复倒谱s^(n)，再用低时窗取出短时谱包络信息，这种方法称之为FFT倒谱。 LPC谱估计和LPC复倒谱 3．LPC美尔倒谱系数(LPCCMCC) 由式(3-143)求得复倒谱h^(n)后，由c(n)=1/2[h^(n)+h^(-n)]即可求出倒谱c(n)。但是，这个倒谱c(n)是实际频率尺度的倒谱系数(称为LPC倒谱系数：LPCC)。根据人的听觉特性可以把上述的倒谱系数进一步按符合人的听觉特性的美尔(MEL)尺度进行非线性变换，从而求出如下所示的LPC美尔倒谱系数(LPCMCC)。 线谱对(LSP)分析 线谱对分析也是一种线性预测分析方法，只是它求解的模型参数是“线谱对”(Line Spectrum Pair，简称为LSP)，它是频域参数，因而和语音信号谱包络的峰有着更紧密的联系；同时它构成合成滤波器H(z)时容易保证其稳定性，合成语音的数码率也比用格型法求解时要低。 两边同时乘以[1 z-1 z-2 … z-p]，得： 分别将kp+1=-1和kp+1=1时的Ap+1(z)用P(z)和Q(z)表示，可得： 这两个式子均为p+1阶多项式，则由上面二式可直接得出： 并有： 所以如果知道了P(z)=0和Q(z)=0的根，我们就可以求得A(z)。 并且ωi、θi按下列关系排列： 由于因式分解中的系数ωi、θi成对出现，反映了谱的特性，故称为“线谱对”。而且可以证明，P(z)和Q(z)的零点互相分离，是保证合成滤波器H(z)=1/A(z)稳定的充分必要条件。 从上面的分析可以看到，线谱对分析的基本出发点是将A(z)的p个零点通过P(z)和Q(z)映射到单位圆上，这样使得这些零点可以直接用频率ω来反映，且P(z)和Q(z)各提供p/2个零点频率；而从物理意义