语音信号处理 第4版 课件 第3章：语音信号处理的常用算法.pptx

南京邮电大学通信与信息工程学院第3章语音信号处理的常用算法

矢量量化隐马尔可夫模型深度学习

3.1矢量量化标量量化：整个动态范围被分成若干个小区间，每个小区间有一个代表值。对于一个输入的标量信号，量化时落入小区间的值就用这个代表值来代替，或者被量化为这个代表值。矢量量化：是对矢量进行量化，和标量量化一样，它把矢量空间分成若干个小区域，每个小区域寻找一个代表矢量，量化时落入小区域的矢量就用这个代表矢量代替，或者称为“被量化为这个代表矢量”。矢量量化的目的：将若干个标量数据组成一个矢量（或者从一帧语音数据中提取的特征矢量）在多维空间给予整体量化，从而可以在信息量损失较小的情况下压缩数据量。

3.1矢量量化—基本原理设有N个K维特征矢量其中第i个矢量（可看作语音信号中某帧参数组成的矢量）可记为把K维欧几里得空间无遗漏地划分成J个互不相交的子空间满足：在每个子空间Rj找一个代表矢量Yj，则j个代表矢量可以组成矢量集为这样组成了一个矢量量化器。Y称为码书或码本；Yj称为码矢或码字；J称为码本尺寸。不同的划分或不同的代表矢量选取方法可以构成不同的矢量量化器。

3.1矢量量化—基本原理矢量量化过程：当输入任意矢量进行矢量量化时，矢量量化器首先判断它属于哪个子空间Rj，然后输出该子空间Rj的代表矢量Yj。即，用Yj代表Xi的过程，即，量化过程就是完成一个从K维欧几里得空间中的矢量X到K维空间有限子集Y的映射通常Q(.)选择是根据最小失真原理，分别计算用各码矢Yj代替Xi所带来的失真，其中产生最小失真值时所对应的那个码矢，就是最终量化的输出码矢。缺点：存在量化噪声！

3.1矢量量化—基本原理矢量量化在语音通信中的应用：编码：解码：矢量量化在语音识别中的应用：

3.1矢量量化—基本原理矢量量化需要解决的两大关键问题：（1）设计一个好的码本（“训练”或“学习”）：需要搜集海量且具有代表性的数据；要选择一个好的失真度量准则以及码本优化方法（常用LBG算法来实现）。（2）未知矢量的量化：需要按照选定的失真测度准则，把未知矢量量化为失真测度最小的区域边界的中心（码字）矢量值，并获得该码字的序列号（码字在码本中的地址或标号）。存在两矢量在进行比较时的测度问题；未知矢量量化时的搜索策略。

3.1矢量量化—失真测度失真测度的定义：是将输入矢量Xi用码本重构矢量Yj表征时所产生的误差或失真的度量方法，用以描述两个或多个模型矢量间的相似程度。失真测度的选择好坏直接影响到聚类效果和量化精度。设对两个k维语音特征矢量X和Y进行比较，要使其距离测度d(X,Y)在语音信号处理中有效，必须具备以下条件：

3.1矢量量化—失真测度常用的失真测度：（1）均方误差欧氏距离（2）r平方误差（3）r平均误差（4）绝对值平均误差（5）最大平均误差（6）加权欧氏距离测度

3.1矢量量化—失真测度线性预测失真测度：当语音信号特征矢量是用线性预测方法求出的LPC系数时（即，用LPC参数描述语音信号时），不能直接用欧氏距离。当预测器的阶数p趋近于无穷大，信号与模型完全匹配时，信号功率谱为相应地，如码本中某重构矢量的功率谱为可定义I-S距离来衡量二者失真：其中另外，还有对数似然比失真测度、模型失真测度、识别失真测度等。

3.1矢量量化—最佳码本设计码本设计：用d(X,Y)表示训练用的特征矢量X和训练出的码本的码字Y之间的畸变，那么最佳码本设计的任务就是在一定的条件下，使得此畸变的统计平均值D=E[d(X,Y)]达到最小。应遵循的两条原则：（1）最近邻原则，表示为（2）设所有选择码字Yl（即归属于Yl所表示的区域）的输入矢量X的集合为Sl，那么Yl应使该集合中的所有矢量与Yl之间的畸变值最小。如果采用欧氏距离来度量X与Y之间的畸变值，那么容易证明Yl应等于Sl中所有矢量的质心：根据上述两条原则，设计码本设计的递推算法——LBG算法。整个算法就是上述两个条件的反复迭代过程，即从初始码本寻找最佳码本的迭代过程。

3.1矢量量化—最佳码本设计LBG算法的步骤：

矢量量化隐马尔可夫模型深度学习

3.2隐马尔可夫模型—概述隐马尔可夫模型（HiddenMarkovModels,HMM）作为语音信号的一种统计模型，在语音信号处理各个领域中获得广泛的应用。HMM是一个输出符号序列的统计模型，具有N个状态S1,S2,…,SN，它按一定的周期从一个状态转移到另一个状态，每次转移时，输出一个符号。转移到哪一个状态，转移时输出什么符号，分别