【文章內容簡介】 據、進行各種算法、建立不同的用戶界面、與其他的編程軟件相結合，主要是應用在一些工程計算、設計與控制、聲音信號處理、圖像信號處理、檢測各種信號的產生等區(qū)域內。圖31 MATLAB開發(fā)工作界面 MATLAB的語言特點、功能特點簡介 MATLAB語言特點Matlab具有許多語言特點，比如用法比較簡單、使用比較靈活、結構的程式比較強、遇有良好的延展性等很多優(yōu)點，這些已經慢慢的成為了現在科技開發(fā)與計算、各種交互的系統(tǒng)和編程中的第一選擇語言的工具。頂尖的是把它運用在數學計算、統(tǒng)計、控制、各種信號的處理還有仿真等各方面都表現的非常突出，這已經漸漸成為了現在科研機構的工作人員和企業(yè)進行工程的技術人員的一種主流進行科學各項研究和進行生產的一種非常實用的軟件。 MATLAB功能特點它具有擴展性比較強的特點，Matlab不僅擁有非常豐富的庫，然后我們可以在復雜的數學運算中把函數進行調用。況且使用者可以依據一定的需要進行編寫以及進行擴充來形成一個新的函數庫?？梢酝ㄟ^混合的編程用戶可以在Matlab環(huán)境中進行函數調用以及其他語言的代碼，我們也可以把C語言中的函數進行調用，使得Matlab來進行執(zhí)行代碼。在Matlab的Notebook中實現了Word與Matlab可以連接起來使得Word不但具有原來可以編輯的能力還具有Matlab非常強大的計算以及繪圖能力，可以在研究、設計和教學等方面具有良好的實用的價值，這樣就比MathCAD更具有優(yōu)勢。Matlab Notebook就可以隨意的在word中進行修改和進行計算的命令，也可以計算并且生成一些圖像進行返回，使得使用者能夠在Word的環(huán)境中具有Matlab的很多的資源。具有信息量非常大的聯機進行檢索的功能，這是新版本的Matlab軟件利用Matlab進行編譯的編譯器和C/C++的數學庫以及圖形庫，可以把自己的MATLAB程序進行自動的轉換為可以獨立于Matlab進行運行的C以及C++的代碼。并且允許使用者進行編寫這樣可以與Matlab的C語言的程序進行交互。此外，Matlab網頁的服務程序允許自己的Matlab圖形程序在Web應用里應用。綜上所述，Matlab它是一種根據矩陣的運算，還擁有數值的運算和一些數據處理的功能的一種高級的編程語言，這樣廣泛的應用在進行信號的分析，進行語音的分析，進行優(yōu)化的設計等區(qū)域，在這樣復雜的算法前面展現出比其他語言更加的優(yōu)秀，所以它是目前世界上最最流行的軟件中的一種。它的開放性得到了很多人的青睞。除去內部的函數，任何Matlab核心的文件以及工具箱的文件是可讀的可改的，這樣使用者就可以通過對源文件進行修改來使得自己的成為新的工具箱了。 特征提取概述特征提取是通過映射或者變換的方法，將高維的特征信息變?yōu)榈途S的特征信息，使得達到維數壓縮的目的。一般而言，為達到較高識別率和識別的可靠程度，總是會盡量多地提取特征信息，以利于找出最有效的特征。但是這并就不代表了特征信息選取得更多就更好，特征參數值的大小并不是與識別率成正比的。特征參數值選得過于少，固然比較難地做到精確探測識別的要求，但是若選得過多，也會一樣使得識別的效果欠理想。特征選擇即以規(guī)定的某種分類方法與判決目標特征規(guī)則為標準，從所采樣的特征數據中選擇對分類的貢獻能力比較明顯的特征參數值，刪除掉貢獻甚小的特征。因而，特征空間的維數也就被進一步壓縮。特征參數值提取得充分，特征選擇得合理，這會直接影響到模糊模式識別系統(tǒng)的識別率、可靠性與實時性。聲目標信號的特征提取將會是目標探測識別中的最為關鍵的環(huán)節(jié)之一，信號特征提取的優(yōu)劣直接關系到下一步目標分類的效率以及結果。 線性預測理論簡介線性預測（Linear Prediction，LP）分析是最有效的語音特征提取的分析技術之一，在語音的編碼、合成、識別和人識別等語音信號處理領域中得到十分明顯的充分運用。聲目標信號線性預測（LPC法）基本思想是：一個聲信號的抽樣值可把以往使用的若干個取樣值的線性組合用來慢慢逼近。通過使得實際聲音的抽樣值跟線性預測的抽樣值的均方誤差值取得最小值，從而將唯一一組的線性預測系數確定出來。根據語音信號的產生模型，語音信號是激勵信號通過一個線性時不變因果穩(wěn)定系統(tǒng)產生的輸出，這時時域上表現為和的卷積。若采用全極點模型，聲門激勵、聲道和輻射的組合譜效應的傳輸函數為： ()其中p是預測階數，一般取10；G是一個非負實數，用于控制系統(tǒng)輸出序列的幅度大小。這樣，語音抽樣和激勵信號之間的關系可以用下列的查分方程表示： ()即語音樣點之間具有相關性，可以用過去的樣點值預測未來樣點值。對于濁音，激勵是以基音周期重復的單位脈沖序列，可以表示為： ()而對于清音而言，是一個高斯白噪聲序列，它的自相關函數滿足下式： ()我們可以將參數解卷問題歸結為首先正確估計出的階數和它的各個系數~，然后根據估計出的求得和。如果將某聲音模型看成一個激勵源，通過一個線性時不變系統(tǒng)（聲道）產生輸出，那么可以運用LP分析法對聲道的參數進行估值，以比較少量的低信息率的時變參數，精確地描述聲音波形及其頻譜的性質。此外，LP分析還能夠對共振峰、功率譜等聲信號參數進行精確估計，LP分析得到的參數可以作為聲音識別的重要參數之一。 車輛聲目標信號線性預測（LPC法）分析 汽車聲目標（汽車聲）聲數據作為識別的集合，聲目標信號采樣頻率為8kHz，幀長160/8000ms，幀移40/8000ms，窗函數采用漢明窗。如下圖所示： 圖31 預測階數p=10，幀重合長度len=80，幀長度L=160，幀數NN=100（汽車聲）當其余參數不變，只改變預測階數p時，如下圖(a)(b)(c)所示： (a) 預測階數p=5， (b) 預測階數p=10， (c) 預測階數p=20，幀重合長度len=80， 幀重合長度len=80， 幀重合長度len=80，幀長度L=160， 幀長度L=160， 幀長度L=160，幀數NN=100 幀數NN=100 幀數NN=100 圖32 只改變預測階數p時汽車聲綜合比較圖表31 只改變預測階數p時汽車聲程序運行時間對比表預測階數p p=5p=10p=20程序運行時間t由各圖比較可見，隨著預測階數p值越大，則特征值波動性越大，特征值間差異越明顯。由特征提取時各程序所消耗的時間資源比較可見，隨著p值越大，則時間越長，運算量越大。當其余參數不變，只改變幀重合長度len時，如下圖(a)(b)(c)所示：(a) 預測階數p=10， (b) 預測階數p=10， (c) 預測階數p=10，幀重合長度len=40， 幀重合長度len=80， 幀重合長度len=160，幀長度L=160， 幀長度L=160， 幀長度L=160，幀數NN=100 幀數NN=100 幀數NN=100 圖33 只改變幀重合長度len時汽車聲綜合比較圖由各圖比較可見，隨著幀重合長度len值越大，則特征值變化幅度越小，圖線越集中。當其余參數不變，只改變幀長度L時，如下圖(a)(b)(c)所示：(a) 預測階數p=10， (b) 預測階數p=10， (c) 預測階數p=10，幀重合長度len=80， 幀重合長度len=80， 幀重合長度len=80，幀長度L=80， 幀長度L=160， 幀長度L=320，幀數NN=100 幀數NN=100 幀數NN=100 圖34 只改變幀長度L時汽車聲綜合比較圖由各圖比較可見，隨著幀長度L值越大，則特征值的變化范圍越大，特征值間差異越明顯。當其余參數不變，只改變幀數NN時，如下圖(a)(b)(c)所示：(a) 預測階數p=10， (b) 預測階數p=10， (c) 預測階數p=10，幀重合長度len=80， 幀重合長度len=80， 幀重合長度len=80，幀長度L=160， 幀長度L=160， 幀長度L=160，幀數NN=50 幀數NN=100 幀數NN=150 圖35 只改變幀數NN時汽車聲綜合比較圖由各圖比較可見，當NN值越大時（即幀數越多），則特征值數據量越大，變化量也越多。 卡車聲目標（卡車聲）聲數據作為識別的集合，聲目標信號采樣頻率為8kHz，幀長160/8000ms，幀移40/8000ms，窗函數采用漢明窗。如下圖所示： 圖36 預測階數p=10，幀重合長度len=80，幀長度L=160，幀數NN=100（卡車聲）當其余參數不變，只改變預測階數p時，如下圖(a)(b)(c)所示：(a) 預測階數p=5， (b) 預測階數p=10， (c) 預測階數p=20，幀重合長度len=80， 幀重合長度len=80， 幀重合長度len=80，幀長度L=160， 幀長度L=160， 幀長度L=160，幀數NN=100 幀數NN=100 幀數NN=100圖37 只改變預測階數p時卡車聲綜合比較圖表32 只改變預測階數p時卡車聲程序運行時間對比表預測階數p p=5p=10p=20程序運行時間t由各圖比較可見，隨著預測階數p值越大，則特征值波動性越大，特征值間差異越明顯。由特征提取時各程序所消耗的時間資源比較可見，隨著p值越大，則時間越長，運算量越大。當其余參數不變，只改變幀重合長度len時，如下圖(a)(b)(c)所示：(a) 預測階數p=10， (b) 預測階數p=10， (c) 預測階數p=10，幀重合長度len=40， 幀重合長度len=80， 幀重合長度len=160，幀長度L=160， 幀長度L=160， 幀長度L=160，幀數NN=100 幀數NN=100 幀數NN=100 圖38 只改變幀重合長度len時卡車聲綜合比較圖由各圖比較可見，隨著幀重合長度len值越大，則特征值變化幅度越小，圖線越集中。當其余參數不變，只改變幀長度L時，如下圖(a)(b)(c)所示：(a) 預測階數p=10， (b) 預測階數p=10， (c) 預測階數p=10，幀重合長度len=80， 幀重合長度len=80， 幀重合長度len=80，幀長度L=80， 幀長度L=160， 幀長度L=320，幀數NN=100 幀數NN=100 幀數NN=100 圖39 只改變幀長度L時卡車聲綜合比較圖由各圖比較可見，隨著幀長度L值越大，則特征值的變化范圍越大，特征值間差異越明顯。當其余參數不變，只改變幀數NN時，如下圖(a)(b)(c)所示：(a) 預測階數p=10， (b) 預測階數p=10， (c) 預測階數p=10，幀重合長度len=80， 幀重合長度len=80， 幀重合長度len=80，幀長度L=160， 幀長度L=160， 幀長度L=160，幀數NN=50 幀數NN=100 幀數NN=150圖310 只改變幀數NN時卡車聲綜合比較圖由各圖比較可見，當NN值越大時（即幀數越多），則特征值數據量越大，變化量也越多。 摩托車聲目標（摩托車聲）聲數據作為識別的集合，聲目標信號采樣頻率為8kHz，幀長160/8000ms，幀移40/8000ms，窗函數采用漢明窗。如下圖所示： 圖311 預測階數p=10，幀重合長度len=80，幀長度L=160，幀數NN=100（摩托車聲）當其余參數不變，只改變預測階數p時，如下圖(a)(b)(c)所示：(a) 預測階數p=5， (b) 預測階數p=10， (c) 預測階數p=20，幀重合長度len=80， 幀重合長度len=80， 幀重合長度len=80，幀長度L=160， 幀長度L=160， 幀長度L=160，幀數NN=100