线性预测编码.pptVIP

线性预测编码LPC待求问题如果得到语音序列x(n)，并且知道它是由一个周期脉冲序列或高斯白噪声序列激励一个全极点模型产生的。那么，采用什么样的算法，才能在最佳意义上估计出模型参数，激励信号u(n)和增益系数G。线性预测算法能按照最小均方误差的准则给出问题的解。语音信号的线性预测分析LinearPrediction1947年维纳提出；1967年板仓等人应用于语音分析与合成；语音信号处理与分析的核心技术提供了预测功能；提供了声道模型和声道模型的参数估计方法；基本思想：

语音样本之间存在相关性，一个语音信号的样本可以用过去若干个样本的线性组合来逼近；基本思想语音样本之间存在相关性，一个语音信号的样本可以用过去若干个样本的线性组合来逼近线性预测的定义正交方程的推导正交方程的另一种形式—标准方程式Yule-Walker方程线性预测和信号模型之间的关系任何平稳随机过程可以看成是由一个白噪声激励一个线性移不变系统系统所产生的输出。基于参数模型的谱估计方法和系统辨识有三种情况：AR模型：只有极点没有零点的情况，称为自回归模型。MA模型：只有零点没有极点的情况，称为滑动平均模型。ARMA模型：既有零点又有极点的情况，称为自回归滑动平均模型。AR模型

线性预测法正是基于AR模型的假定，采用时域均方最小误差准则来估计模型参数的。LPC系数求解中两个注意问题：（1）模型阶数p的选取阶数p应与共振峰的个数D相吻合，通常一对极点对应一个共振峰。P=2D+1,一般选取8～12；（2）通过预加重对高频部分的提升由于声门辐射的影响，语音信号在高频部分会有高频衰落的现象。因此，LPC分析之前都有预加重滤波器，以便对高频进行提升。数字滤波器,一般6.2LPC方程组的解法(1)自相关法:对语音信号x(n)与窗函数w(n)相乘，得到加窗语音信号xw(n)，然后对加窗语音信号进行LPC分析两种经典算法：Levinson-Durbin算法舒尔递推算法(2)自协方差法:限制均方误差的求解式的求和区间，不用加窗6.2.1自相关法设自相关函数为6.2.1自相关法6.2.1自相关法6.2.1自相关法经典算法---Levinson-Durbin递推算法因为第i阶方程组可以有第i-1阶方程组的解来表示，第i-1阶又可以有i-2阶表示，以此类推。以此只要解出一阶方程的解，就可以一步一步的递推出其他方程组的解。Levinson-Durbin算法过程（1）计算自相关函数Rn（j）（2）E（0）=Rn（0)(3)i=1（4）递推运算公式：（5）使得i=i+1,若ip，算法结束退出，否则返回第四步。6.2.2自协方差法对于语音信号不进行加窗，对均方值的求解区间进行限定，即为自协方差法。假定求和区间为[0,N-1]，则同样可以得到：6.2.2自协方差法令n-i=m，则：6.2.2自协方差法6.2.3两种解法的对比6.2.4格型滤波器格型滤波器可以完成语音分析和合成。格型滤波器用于语音分析和合成的参量有：a.浊音、清音标志b.音高c.总体振幅水平d.反射系数其中，前3个参量关于激励源，第4个参量关于格型滤波器。1、格型滤波器的基本原理第i阶的预测误差：格型分析滤波器结构2、格型法的求解正向均方误差法反向格型法几何平均格型法6.3线性预测的几种推演参数AR模型与声道模型的假定拟合相符合，而形式上是一递归滤波器。递归滤波器有多种实现结构AR模型表征的声道滤波器除｛ai｝外还有其它不同的参数根据不同的应用目的，选择不同的参数6.3.1归一化自相关函数6.3.2反射系数声道可以被模拟成一系列长度和截面积不等的无损声管的级联，反射系数反映声波在个声管边界处的反射量。莱文逊-杜宾算法、舒尔算法等都可直接得到反射系数通过公示，LPC系数和反射系数相互推导得到6.5线性预测分析的应用

——LPC谱估计和LPC复倒谱当求出一组预测系数后就可以得到语音产生模型的频率响应：6.5LPC谱估计特点语音信号的功率谱：6.6线谱对（LSP）分析方法线谱对参数（Linespectrumpair,LSP)是线性预测系数的一种推演参数。LSP参数具有非常好的量比特性，因而在声码其器研究中有广泛的应用。6.6.1线谱对分析的原理设p阶线性预测滤波器为A(z)定义两个p+1阶的多项式：将A(z)变形6.6.2线谱对参数的求解令a0＝1