法线性预测分析用（重点）LPC谱估计和LPC复倒谱.pptVIP

主要内容 概述 线性预测分析的基本原理（重点） 线性预测分析的解法 线性预测分析应用（重点） ---LPC谱估计和LPC复倒谱 6. 1概述 线性预测(Linear Prediction)是1947年维纳首次提出,1967年板仓等人最先将线性预测技术直接应用到语音分析和合成中. 线性预测作为一种工具,几乎普遍地应用于语音信号处理的各个方面,是最有效和最流行的语音分析技术之一. 6.2 线性预测分析的基本原理 语音信号数学模型： 语音信号可以看成准周期脉冲或白噪声激励一个线性时不变系统所产生的输出。 模型系统函数H(z) 线性预测分析就是根据已知信号s(n)对各参数 和增益G进行估计。在这里 为线性预测系数 这里采用的是全极点模型又称“AR模型”，各系数 和增益G为模型参数。这样信号就可以用有限数目的参数构成的信号模型来表示。 线性预测模型采用全极点模型的原因： 全极点模型容易计算，对全极点模型做参数估计是对线性方程组的求解过程，而含有有限零点则是解非线性方程。 如果不考虑鼻音和摩擦音，那么语音的声道传递函数就是一个全极点模型。 对于声道函数既有零点又有极点的，可以用全极点模型来近似表示极零点模型。 如果分母多项式收敛足够快，只取少数几项。 6.3 语音信号的线性预测分析 注：语音产生模型里，辐射、声道以及声门激励的全部效应简化为一个时变数字滤波器等效。 系统函数 （1）求解滤波器系数 和增益常数G的过程称为语音信号的线性预测分析。 （2）鉴于语音信号的时变特性，预测系数的估计必须在一段语音信号中进行-即分帧进行。 （3）对于鼻音和摩擦音，要求声道传递函数函数既要有极点也要有零点，即采用零极点模型。 6.4 线性预测方程组的建立 模型的建立是由信号来估计模型的参数的过程。 实际上，用一个有限数目参数的模型表示信号不可能完全精确，总会存在误差，况且信号还是时变的，因此求解线性预测系数的过程是一个逼近过程。 模型采用直接逼近的方法求解非常困难，所以实际中采用“逆滤波法”。 线性预测误差 ：信号真实值 与预测值 之间的误差。 是一个随机序列, 可以用其均方值 衡量线性预测的质量。 由P个方程组成的含有P个未知数的方程组，求解就 可得到各预测器的系数 。 上式为一个线性方程组，为P阶正定方程组， 其中 由输入语音序列决定。 则将求 归结为求线性联立方程组的问题。 短时预测均方误差 线性预测分析的解法——自相关法 在线性预测标准方程组中，n的上下限取决于 使误差最小。当n的求和范围不同时，导致不同 的线性预测解法。 经典解法有两种： 自相关法 协方差法 LPC谱的特点 对于浊音信号谱在谐波成分处的匹配效果远比谐波之间好的多，它反映了谱包络。 LPC谱的匹配作用是谱峰胜过谱谷。 对于一个阶数为P的预测器，在解预测器系数的过程中，可得到 各阶预测器的解，即阶数低于P的各阶预测器的系数也被求出。 实际上只需要P阶预测器的系数，但是为此必须先求出 各阶的系数 其中 表示 阶预测器的第 个系数。 最终解为： 如图给出了这种自相关的求解过程，由式可得 图6-5 自相关法的求解 可见 一定大于0，且随着预测器阶数的增加而减小。因此每一步算出的预测误差总是小于前一步的预测误差。这表明，虽然预测器的精度会随着阶数的增加而提高，但误差永远不会消除。 系数 具有特殊的意义，称为线性预测反射系数。 可以证明，条件 就是多项式 的根，即 的极点在单位圆内的充分必要条件，因此可以保证系统 的稳定性。 与声道的无损声管网络模型之间有密切的联系： 此式表明 为第 个节点处的反射系数。 采用莱文逊－杜宾算法，自相关矩阵的计算约需 次乘法。 次乘法，而矩阵方程的解约需 NP 预测残差与激励之间的关系 由可知模型的激励信号 可表示为 而线性预测误差 可以表示为 当实际的预测系数与模型系数相等时，有 6.5 线性预测分析的应用 －LPC谱估计和LPC复倒谱 一、LPC谱估计 我们前面讨论的线性预测分析主要限于差分方程和相关函数，所用的是时域表示式。 但是我们从线性预测的基本原理可以知道，线性预测器的系数可以认为是一个系统函数分母多项式的系数，这个系统是声道响应、声门脉冲形状以及口鼻辐