2010-2011 语音信号处理课件 第02讲语音信号的数字化和预处理+时域分析.pptVIP

（1）加矩形窗 a=wavread(beifeng.wav); subplot(6,1,1),plot(a); N=32; for i=2:6 h=linspace(1,1,2.^(i-2)*N)；%形成一个矩形窗，长度为2.^(i-2)*N En=conv(h,a.*a);% 求短时能量函数En subplot(6,1,i),plot(En); if(i==2) legend(N=32); elseif(i==3) legend(N=64); elseif(i==4) legend(N=128); elseif(i==5) legend(N=256); elseif(i==6) legend(N=512); end end （2）加汉明窗 a=wavread(beifeng.wav); subplot(6,1,1),plot(a); N=32; for i=2:6 h=hanning(2.^(i-2)*N)；%形成一个汉明窗，长度为2.^(i-2)*N En=conv(h,a.*a);% 求短时能量函数En subplot(6,1,i),plot(En); if(i==2) legend(N=32); elseif(i==3) legend(N=64); elseif(i==4) legend(N=128); elseif(i==5) legend(N=256); elseif(i==6) legend(N=512); end end §3.3.3 短时相关分析 相关分析有自相关和互相关之分。这里主要讨论自相关函数。 自相关函数用于衡量信号自身时间波形的相似性。（清音和浊音的发音机理不同，在波形上存在较大差异。浊音的时间波形呈现一定的周期性，波形之间相似性较好；清音的时间波形呈现出随机噪声的特性，杂乱无章，样点间的相似性较差。） 自相关函数具有一些性质，如它是偶函数；假设序列具有周期性，则其自相关函数也是同周期的周期函数等。我们可以把自相关函数的这些性质应用于语音信号的时域分析中。例如，对浊音语音可以用自相关函数求出语音波形序列的基音周期。此外，在进行语信号的线性预测分析时，也要用到自相关函数。和其他语音参数一样，在语音信号分析中，我们分析的是短时自相关函数。 1．短时自相关函数 定义语音信号xn(m)的短时自相关函数Rn(k)的计算式如下： 这里K是最大的延迟点数。 短时自相关函数具有以下性质： (1)如果xn(m)是周期的(设周期为N)，则自相关函数是同周期的周期函数，即Rn(k)=Rn(k+Np)。 (2)Rn(k)是偶函数，即Rn(k)=Rn(-k)。 (3)当k=0时，自相关函数具有最大值，即Rn(0)≥|Rn(k)|，并且Rn(0)等于确定性信号序列的能量或随机性序列的平均功率。 由图可见：浊音是周期信号，浊音的短时自相关函数呈现明显的周期性，自相关函数的周期就是浊音信号的周期， 浊音的短时自相关函数 由图可见：清音接近于随机噪声，其短时自相关函数不具有周期性，也没有明显突起的峰值，且随着延时k的增大迅速减小； 清音的短时自相关函数 不同的窗对短时自相关函数结果有一定影响。 窗口形状的影响：采用矩形窗时，浊音自相关曲线的周期性显示出比用汉明窗更明显的周期性。（汉明窗加窗后，语音段两端的幅度逐渐下降，从而模糊了信号的周期性） 窗口长度的影响：窗长对浊音的短时自相关特性有着直接的影响。 一方面，由于语音信号的特性是变化的，因此要求N应尽量小。 但与此相矛盾的另一方面是，为了充分反映语音的周期性，又必须选择足够宽的窗，以使得选出的语音段包含两个以上基音周期。由于基音频率的分布在50~450Hz范围内，8kHz采样对应18~160点，窗长选择要求大于320。 如果长基音周期用窄的窗，将得不到预期的基音周期；但是如果是短的基音周期用长的窗，自相关函数将对多个基音周期做平均运算，从而模糊语音的短时特性。最理想的方法是让窗长自适应于基因周期的变化，但这样会增加计算复杂度。 在语音信号处理中，短时自相关函数常用来作以下两种语音信号特征的估计： 区分语音是清音还是浊音。 估计周期性语音信号的周期。 2.修正的短时自相关函数 修正的短时自相关函数是用两个长度不同的窗口，截取两个不等长的序列进行乘积和，两个窗口的长度相差最大的延迟点数K。这样就能始终保持乘积和的项数不变，即始终为短窗的长度。修正的短时自相关函数定义为： 其中， §3.3.4 短时平均幅度差函数 短时自相关函数是语音信号时域分析的重要参量。但是，计算自相关函数的运算量很大，其原因是乘法运算所需要的时间较长。利用快速傅里叶变换(FFT)等简化计算方法都无法避免乘法运算。 为了避免乘法，一个简单的方法