ch3-part4线性预测分析.pptVIP

THANKS 预备 方程 扩大 方程 p＋1阶Yule-Walker方程 ?p阶预测系数和p＋1阶预测系数的关系 p+1阶的解写成扩大方程和预备方程的解的组合 第p+1阶反射系数 第p+1阶反射系数的求解 上式各项左乘p+1阶系数矩阵 二、完整的预测系数的公式 已知p阶预测系数求p+1阶预测系数 p阶 p+1阶 ☆p=1阶的预测系数和最小均方误差 ☆p=2阶的预测系数和最小均方误差 ☆p=3阶的预测系数和最小均方误差 滤波器系数 三、滤波器系数的倒序列构成新滤波器 滤波器系数的倒序列构成新的滤波器 四、p+1阶预测滤波器 五、p+1阶预测系数矩阵倒置构成的新滤波器 直接对预测系数{ak}量化后再传输是不合适的，因为系数{ak}的很小变化都将导致合成滤波器极点位置的极大变化，造成不稳定的现象。因此必须将预测系数变换成其他更适合编码和传输的参数形式。 §3.6.4 格型滤波器 1.前向预测和反向预测 H(z)是一个全极点IIR滤波器，可能造成滤波器不稳定。因此在滤波器的结构上采用格型结构，引入反馈，解决不稳定的弱点。同时在算法上，不需要先计算相关矩阵，直接从语音样点上得到预测器系数。 前向预测 p阶 p阶 后向预测 前向预测误差 反向预测误差 按前向均方误差最小的准则来求得的预测系数，对于反向预测预测器也是最佳预测系数。 2. 和 的关系 3. 和 的关系 4.格型滤波器结构 x(n) － － － － － － 5.零阶预测 6.预测误差滤波器－分析滤波器 Z-1 Z-1 Z-1 x(n) － － － － － － 5.最小均方误差的另一种求解方法 取遍所有的k，组成一个矩阵，称为Yule-Walker方程。 5. Yule-Walker方程 Toeplitz矩阵 Z-1 Z-1 Z-1 a1 a2 ap x(n) x?(n) e(n) + - （1）根据最小均方误差准则，求出预测系数ak （2）已知预测系数ak，求出最小均方误E(e2(n))min 对e(n)进行Z变换，有： e(n) x(n) 4.用e(n)和ak求x(n)(合成) §3.6.2 线性预测和信号模型之间的关系 Av 冲激序列 发生器 声门脉冲 模型G(z) 随机噪声 发生器 基音周期TP AN 线性系统 声道V(z) 辐射模型 R(z) 清/浊音开关 一、语音生成模型 清/浊开关 声道模拟 滤波器H(z) 基音周期 冲激序列 发生器 随机噪声 发生器 增益 ? u(n) 输出 语音x(n) 将语音生成模型简化，将辐射、声道和声门激励进行组合，用一个时变数字滤波器来表示。 用全极点模型来描述声道滤波器特性 e(n) x(n) 二、语音信号的线性预测模型 全极点的IIR滤波器 三、两模型中信号之间的关系为： 生成模型 线性预测模型 对同一语音信号，有： 预测误差e(n)就是激励信号G?u(n)，预测系数{apk}就是声道滤波器的系数{dk}。 线性预测分析可以对生成模型的增益参数G和滤波器系数{dk}进行直接和高效率的计算。这样，结合清浊音的判断和基音周期的估计，得到语音信号生成模型的全部参数，实现语音的产生。 清/浊开关 基音周期 冲激序列 发生器 随机噪声 发生器 增益G ? u(n) 输出 语音x(n) LPC系数 a1,a2,… ap 声道模拟 滤波器H(z) 线性预测滤波器Hl(z) 激励信号u(n)正比于误差信号e(n)，其比例为增益常数G。求出G的依据是，在一帧中，误差信号的能量等于输入激励信号（G?u(n)）的能量。 激励信号具有单位方差 N为帧长 e(n)＝G?u(n) 四、求解G 在一帧内误差信号e(n)均方误差最小的原则来求解ak。这个方法是合理的。 e(n) 均方误差最小对应其频谱是平坦的。而在频谱是平坦的只有脉冲波和白噪声两种，正好对应浊音和清音。 求出G和{ak}，可得时变滤波器的系统函数。在输入激励的作用下，可合成语音。语音的参数合成是就是在发送端利用线性预测方法求出G和{ak}，结合激励信号u(n)，进行编码，传送到接收端，进行组合，合成声音。 参数 合成 a1 a2 ap G?u(n) 输入语音x(n) 语音输出x(n) 线性 预测 分析 五. 线性预测分析用于语音编码和语音合成 根据语音信号的短时平稳性，在短时帧内（20ms）认为信号是不变，则将激励信号u(n)和滤波器系数{ak}、G每隔20ms刷新一次，相当于对激励信号u(n)和滤波器系数{dk}、G的采样频率为50Hz。由于采样频率大大降低，因此编码速率较低，可达2.4－1.