声音信号处理与项目实践 课件 第5章 声音信号的线性预测编码.ppt

Durbin快速推算法归纳得到：*5.2线性预测的解析算法完整的递推过程如下：*5.3线性预测分析应用案例而预测误差的传递函数可写为*5.3.1基音检测估计利用线性预测倒谱法进行基音检测*5.3.1基音检测估计首先，运行SetII和PartII将语音信号读入并且分帧，并进行了端点检测。其次，对一句话提取每一帧的数据，加汉明窗，用lpc函数求出预测系数并计算预测误差。最后利用求倒谱的方法对预测误差计算倒谱，最终得到左图结果。*5.3.1基音检测估计利用简化逆滤波法进行基音检测*5.3.1基音检测估计该方法的基本思想是：先对话音信号进行LPC分析和逆滤波，获得语音信号的预测误差，然后将预测误差信号通过自相关器和峰值检测，以获得基音周期。语音信号通过线性预测逆滤波器后达到频谱的平坦化，因为逆滤波器是一个使频谱平坦化的滤波器，所以它提供了一个简化的频谱平滑器。预测误差是自相关器的输入，通过在自相关函数中寻找最大值，可以求出基音的周期。*5.3.2共振峰估计对一段语音利用LPC内插法检测共振峰估计*5.3.1基音检测估计首先，在程序中使用LPC函数求出了预测系数，直接调用了lpcar2pf函数由预测系数计算出功率谱。lpcar2pf函数是voicebox语音工具箱中的一个函数。其次，用findpeaks函数从功率谱曲线上找出峰值和峰值的位置。最后得到如左图的运行结果*5.3.2共振峰估计读入一段语音数据并采用Extfrmnt函数检测共振峰轨迹*5.3.1基音检测估计左图语音数据的波形和端点检测的结果右图在语音信号语谱图上叠加共振峰的轨迹1、概述声音信号的线性预测原理。2、分别叙述线性预测分析自相关和协方差的解法。3、常用的基音周期检测方法有哪些？叙述它们的工作原理与框图。*练习题4、试论述共振峰合成的原理及其在语音合成中的应用。5、试阐述线性预测系数如何用于共振峰的估计。*练习题********第5章声音信号的线性预测编码5.1线性预测基本原理5.2线性预测的解析算法5.3线性预测分析应用案例线性预测编码（LPC）的基本思想由于语音信号的每个样点之间存在相关性，所以能够使用过去的样点值来预测和推理现在与将来的样点值。换句话说，对一个语音的抽样能够用过去若干个语音的抽样来逼近。通过使实际语音抽样和线性预测下的语音抽样之间的误差在某个准则下达到最小值来决定最优的一组预测系数，而这组预测系数就客观反映了语音信号的特性*5.1线性预测基本原理线性预测的基本原理是用过去的样点值来预测某个模型现在或者未来的样点值*5.1线性预测基本原理*5.1线性预测基本原理可以用准周期脉冲或白噪声激励一个线性时不变系统声道所产生的输出作为语音的模型，用公式表达为*5.1线性预测基本原理根据的形式不同，有三种不同的信号模型：1、若H(z)同时含有极点和零点，称作自回归—滑动平均模型（AutoregressiveMovingAverage,ARMA），这是一种常见的模型。2、若H(z)的分子多项式为常数，即b=0，此时为全极点模型，当前模型的输出只取决于过去的信号值，这种模型称为自回归模型（Autoregressive,AR）。3、若H(z)的分母多项式为1，即a=0,此时成为全零点模型，称为滑动平均模型(MovingAverage,MA）。此时模型的输出只由模型的输入来决定。*5.1线性预测基本原理实际上语音信号处理中最常见的模型是全极点模型，这是因为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；而对于鼻音和摩擦音，细致的声学理论表明其声道传输函数既有极点又有零点，但这时如果模型的阶数p足够高，可以用全极点模型来近似表示极零点模型，因为一个零点可以用许多极点来近似。*5.1线性预测基本原理可以用线性预测分析的方法来估计全极点模型参数。采用全极点模型，辐射、声道以及声门激励的组合谱效应的传输函数为：其中p为预测器阶数，G为声道滤波器增益，S(z)和E(z)为语音抽样s(n)和激励信号e(n)的z变换。*5.1线性预测基本原理语音信号s(n)和激励信号e(n)之间的关系可以用下列的差分方程来表示：即语音样点间有相关性，可以用过去的样点值来预测未来的样点值。对于浊音，e(n)是以基音周期重复的单位冲激；对于清音，e(n)时恒稳白噪声*5.1线性预测基本原理在模型参数估计过程中，把下面的系统称为线性预测器：*5.1线性预测基本原理A(z)称作逆滤波器，其传输函数为：