一、實驗目的 掌握LPC原理，會利用已學的知識，編寫程序估計線性預測系數以及LPC的推演參數 。 能利用所求的相關參數估計語音的端點、清濁音判斷、基因周期、共振峰等 。 二、實驗原理 自相關法 在最佳線性預測中，若用下式定義的時間平均最小均方準則代替(3)式的集合平均最小均方準則，即令 協方差法 如果在最佳線性預測中，用下式定義的時間平均最小均方準則代替(3)式的集合平均最小均方準則，則可得到類似的方程： 全極點聲道模型 能量分析是基于語音信號能量隨時間有相當大的變化，將線性預測分析應用于語音信號處理，不僅是為了利用其預測功能，更因為它提供了一個非常好的聲道模型。 將式(2)所示的方程看成是濾波器在語音信號激勵下的輸入輸出方程，則該濾波器稱為預測誤差濾波器，其e(n)是輸出誤差。變換到z域，P階預測誤差濾波器的系統函數為 LPC 如果聲道特性H(Z)用式(14)所示的全極點模型表示，有 結合語音幀能量構成LPC組合參數 實驗證明，組合參數可以提高系統的識別性能。 組合參數雖然可以提高系統的性能，但很顯然，無論是在特征參數提取環節，還是在模型訓練和模型匹配環節都使運算量有所增加。在特征參數提取環節，要計算一種以上的特征參數。在模型訓練和模型匹配環節，由于組合參數特征矢量的維數較多，使運算復雜度有所增加。運算量的增加會使系統的識別速度受到影響。 為使運算量問題得到較好的解決，所以可以由LPC參數與語音幀能量構成組合參數，能夠在運算量增加不明顯的情況下改進系統的性能。 語音幀能量是指一幀語音信號的能量，它等于該幀語音樣值的平方和。選取與語音幀能量構成組合參數主要有以下考慮：1)語音幀能量是語音信號最基本的短時參數之一，它表征一幀語音信號能量的大小，是語音信號一個重要的時域特征；2)由一幀語音求出的語音幀能量是一個標量值，與其它參量構成組合參數不會使原特征矢量的維數明顯增加，特征矢量的維數越少，則需要的運算復雜度越小，另外，獲取語音幀能量的運算并不復雜；3)語音幀能量與LPC參數之間的相關性不大，它們反映的是語音信號的不同特征，應該有較好的效果。 模型增益G 實驗結果(參考) 我們使用的原始語音為“kdt_070”，采樣頻率為11000Hz,運行程序見附錄。 在這里我們取第30幀進行觀察，線性預測階數為12，看到圖3.1所示的原始語音幀的波形，預測語音幀波形和它們之間預測誤差的波形。圖3.2為原始語音幀和預測語音幀的短時譜和LPC譜的波形 fLength(1 : 2 * N) = [origin,zeros(1,N)]; Xm = fft(fLength,2 * N); X = Xm .* conj(Xm); Y = fft(X , 2 * N); Rk = Y(1 : N); PART = sum(coef(2 : N1 + 1) .* Rk(1 : N1)); G = sqrt(sum(Frame.^2) - PART); A = (FTframe1 - FFT_est(1 : length(f1'))) ./ FTframe1 ; % inverse filter A(Z) subplot(2,1,1),plot(f1',20*log(abs(FTframe1)),f1',(20*log(abs(1 ./ A))),'-r');grid;title('短時譜'); subplot(2,1,2),plot(f1',(20*log(abs(G ./ A))));grid;title('LPC譜'); pause temp = FTframe1 - FFT_est(1 : length(f1')); % not move higher frequnce pitch1 = log(abs(temp)); pLength = length(pitch1); result1 = ifft(pitch1,N); % move higher frequnce pitch1((pLength - 32) : pLength) = 0; result2 = ifft(pitch1,N); % direct do real cepstrum with err pitch = fftshift(rceps(err)); origin_pitch = fftshift(rceps(Frame)); subplot(211),plot(origin_pitch);grid;title('原始語音幀倒譜(直接調用函數)'); subplot(212),plot(pitch);grid;title('預測誤差倒譜(直接調用函數)'); pause subp

總結

以上是生活随笔為你收集整理的基于MATLAB语音LPC参数,实验4基于MATLAB的语音信号LPC分析.ppt的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。