语音信号数字处理-语音的线性预测编码.pptVIP

* 代入上式得: 当I=1时，有： * 可以将其描述为一个具有递归关系的与或结点图: 图10 * 举例 当i=3时，可得下图 图11 * 用图表示以上三个公式 ＋ ＋ 图12 用信号流图表示。 i=1时： * 可以在上图的基础上构成，见下图 图13 用信号流图表示。 i=2时： * 当i=p时，可得总的逆滤波器的格型图 正向预测误差： 逆向预测误差： ki：类似于语音产生模型，称为反射系数 反射系数求出后，根据德宾公式，可以求出线性预测系数 图14 如何求反射系数？ * 定义： 分别令： E[.]：实际计算时总是用时间平均近似替代集平均。 为求反射系数： * 推导后分别得(i=1,2,…,p)： 但可以看出：这两种方法求得的反射系数符号是相同的 ? 新方法的出发点。 这两种方法均不能保证|ki|1，因此不能保证解的稳定性。 * 归一化互相关函数的形式，因而所求的ki也称为PARCOR (Partial Correlation)系数。 利用Cauchy-Schwarz不等式可以证明所求的|ki|1，因此由用这种求法得的反射系数合成的系统是稳定的。而且还有： * 可以证明所求的|ki|1，结果稳定。 * 总结：从上述讨论可以看出，格型法因其结构上的特点，可以直接从语音样本求出反射系数ki，而无需经过计算自相关矩阵这一步骤，这是格形法与自相关法、协方差法的主要不同。 格型法的改进：为了降低计算量(不必频繁调用语音样本)，而且还保证格形法的灵活性、解的稳定性和解的准确性，Makhoul提出新的方法－－协方差格型法 J. Makhoul, Stable and efficient lattice methods for linear prediction, IEEE Trans. ASSP, Vol. ASSP-25, pp. 423-428, 1977 * 五、格型法合成滤波器 如何从格型法导出合成滤波器？－－再看图14： * 可得： * 分析之逆就是合成： * 格型合成滤波器结构： 图15 * 总结： LPC的基本概念 LPC系数的求解方法： 自相关法 协方差法 格型法 正向、反向－－不稳定 几何平均、Burg－－稳定 合成滤波器 语音信号数字处理 第三章 语音的线性预测编码 Linear Predictive Coding of Speech * 简单回顾 从语音的产生模型出发，我们得到： 其中的{?k}是一组非常重要的参数－－本章重点讲解 * 语音的线性预测编码 最有效的语音分析技术之一 用以估计语音的基本参数，从而进行语音识别 基音、共振峰 频谱、声道截面积函数 特征参数 利用得到的参数可以进行语音合成 * 一、线性预测分析的基本概念 顾名思义：线性预测就是…… 从变换和反变换角度看 正变换 反变换 { } p k k , , 2 , 1 L = a N个语音采样 （输入） 还原 分析 N个语音采样 （输出） 图1 * 思路与线性预测分析的基本原理 1. 从语音产生模型出发，本身就存在线性组合关系 ? - - p k＝1 k k Z a 1 1 ╳ H(Z) S(n) U(n) G 图2 * 如果很小，我们可以将其忽略 看出：如果G?u(n)很小可忽略时，第n个语音采样S(n)是前n-p个采样的线性组合，{ak}, k=1,2,…, p是线性组合的加权系数。 这是从物理模型出发得出的关系 写成时间序列表示式为： * 2.从线性预测器定义出发 假定有一个线性预测器，其系统函数为P(Z) 定义: s(n) —— 语音序列 —— 经预测器输出的语音序列 {?k} —— 线性预测器系数(k=1, …, p ) * 引入预测误差 ： A(Z) * 将图2与图4放在一起可画出图5 如果线性预测系数选得好，使?k=ak，即有 e(Z)=G ? U(Z) 即预测误差的Z变换恰等于输入激励信号序列Z变换。预测误差序列与声道激励序列一一对应。 * 3. 线性预测的基本问题： 由语音采样直接决定{?k}，并认为{?k}就是{ak} 关键问题：怎样对一段语音求 {?k} ？ 思路如下： 图6 * 定义：短时平均预测误差 其中 sn(m)是在n点附近选第m个点的语音，即 sn(m)=s(n+m) * 令： 得到： 公式3.1的物理意义是：选?k使该式成立，就能保证预测的均方误差最小。 * 为使公式简化，定义 可以证明： 将公式2，3代入公式1，得 这是间隔为i的相关函数 * 公式4的解释： ?n(i, k)反映了语音波形的实际情况，波形不同值不同。