【文章內(nèi)容簡介】 據(jù)、進(jìn)行各種算法、建立不同的用戶界面、與其他的編程軟件相結(jié)合，主要是應(yīng)用在一些工程計(jì)算、設(shè)計(jì)與控制、聲音信號處理、圖像信號處理、檢測各種信號的產(chǎn)生等區(qū)域內(nèi)。圖31 MATLAB開發(fā)工作界面 MATLAB的語言特點(diǎn)、功能特點(diǎn)簡介 MATLAB語言特點(diǎn)Matlab具有許多語言特點(diǎn)，比如用法比較簡單、使用比較靈活、結(jié)構(gòu)的程式比較強(qiáng)、遇有良好的延展性等很多優(yōu)點(diǎn)，這些已經(jīng)慢慢的成為了現(xiàn)在科技開發(fā)與計(jì)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(yùn)用在數(shù)學(xué)計(jì)算、統(tǒng)計(jì)、控制、各種信號的處理還有仿真等各方面都表現(xiàn)的非常突出，這已經(jīng)漸漸成為了現(xiàn)在科研機(jī)構(gòu)的工作人員和企業(yè)進(jìn)行工程的技術(shù)人員的一種主流進(jìn)行科學(xué)各項(xiàng)研究和進(jìn)行生產(chǎn)的一種非常實(shí)用的軟件。 MATLAB功能特點(diǎn)它具有擴(kuò)展性比較強(qiáng)的特點(diǎn)，Matlab不僅擁有非常豐富的庫，然后我們可以在復(fù)雜的數(shù)學(xué)運(yùn)算中把函數(shù)進(jìn)行調(diào)用。況且使用者可以依據(jù)一定的需要進(jìn)行編寫以及進(jìn)行擴(kuò)充來形成一個新的函數(shù)庫?？梢酝ㄟ^混合的編程用戶可以在Matlab環(huán)境中進(jìn)行函數(shù)調(diào)用以及其他語言的代碼，我們也可以把C語言中的函數(shù)進(jìn)行調(diào)用，使得Matlab來進(jìn)行執(zhí)行代碼。在Matlab的Notebook中實(shí)現(xiàn)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(qiáng)大的計(jì)算以及繪圖能力，可以在研究、設(shè)計(jì)和教學(xué)等方面具有良好的實(shí)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(jìn)行修改和進(jìn)行計(jì)算的命令，也可以計(jì)算并且生成一些圖像進(jìn)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(lián)機(jī)進(jìn)行檢索的功能，這是新版本的Matlab軟件利用Matlab進(jìn)行編譯的編譯器和C/C++的數(shù)學(xué)庫以及圖形庫，可以把自己的MATLAB程序進(jìn)行自動的轉(zhuǎn)換為可以獨(dú)立于Matlab進(jìn)行運(yùn)行的C以及C++的代碼。并且允許使用者進(jìn)行編寫這樣可以與Matlab的C語言的程序進(jìn)行交互。此外，Matlab網(wǎng)頁的服務(wù)程序允許自己的Matlab圖形程序在Web應(yīng)用里應(yīng)用。綜上所述，Matlab它是一種根據(jù)矩陣的運(yùn)算，還擁有數(shù)值的運(yùn)算和一些數(shù)據(jù)處理的功能的一種高級的編程語言，這樣廣泛的應(yīng)用在進(jìn)行信號的分析，進(jìn)行語音的分析，進(jìn)行優(yōu)化的設(shè)計(jì)等區(qū)域，在這樣復(fù)雜的算法前面展現(xiàn)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(nèi)部的函數(shù)，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(jìn)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(dá)到維數(shù)壓縮的目的。一般而言，為達(dá)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(shù)值的大小并不是與識別率成正比的。特征參數(shù)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(biāo)特征規(guī)則為標(biāo)準(zhǔn)，從所采樣的特征數(shù)據(jù)中選擇對分類的貢獻(xiàn)能力比較明顯的特征參數(shù)值，刪除掉貢獻(xiàn)甚小的特征。因而，特征空間的維數(shù)也就被進(jìn)一步壓縮。特征參數(shù)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(shí)時性。聲目標(biāo)信號的特征提取將會是目標(biāo)探測識別中的最為關(guān)鍵的環(huán)節(jié)之一，信號特征提取的優(yōu)劣直接關(guān)系到下一步目標(biāo)分類的效率以及結(jié)果。 線性預(yù)測理論簡介線性預(yù)測（Linear Prediction，LP）分析是最有效的語音特征提取的分析技術(shù)之一，在語音的編碼、合成、識別和人識別等語音信號處理領(lǐng)域中得到十分明顯的充分運(yùn)用。聲目標(biāo)信號線性預(yù)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(shí)際聲音的抽樣值跟線性預(yù)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(yù)測系數(shù)確定出來。根據(jù)語音信號的產(chǎn)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(chǎn)生的輸出，這時時域上表現(xiàn)為和的卷積。若采用全極點(diǎn)模型，聲門激勵、聲道和輻射的組合譜效應(yīng)的傳輸函數(shù)為： ()其中p是預(yù)測階數(shù)，一般取10；G是一個非負(fù)實(shí)數(shù)，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(guān)系可以用下列的查分方程表示： ()即語音樣點(diǎn)之間具有相關(guān)性，可以用過去的樣點(diǎn)值預(yù)測未來樣點(diǎn)值。對于濁音，激勵是以基音周期重復(fù)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(guān)函數(shù)滿足下式： ()我們可以將參數(shù)解卷問題歸結(jié)為首先正確估計(jì)出的階數(shù)和它的各個系數(shù)~，然后根據(jù)估計(jì)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(chǎn)生輸出，那么可以運(yùn)用LP分析法對聲道的參數(shù)進(jìn)行估值，以比較少量的低信息率的時變參數(shù)，精確地描述聲音波形及其頻譜的性質(zhì)。此外，LP分析還能夠?qū)舱穹濉⒐β首V等聲信號參數(shù)進(jìn)行精確估計(jì)，LP分析得到的參數(shù)可以作為聲音識別的重要參數(shù)之一。 車輛聲目標(biāo)信號線性預(yù)測（LPC法）分析 汽車聲目標(biāo)（汽車聲）聲數(shù)據(jù)作為識別的集合，聲目標(biāo)信號采樣頻率為8kHz，幀長160/8000ms，幀移40/8000ms，窗函數(shù)采用漢明窗。如下圖所示： 圖31 預(yù)測階數(shù)p=10，幀重合長度len=80，幀長度L=160，幀數(shù)NN=100（汽車聲）當(dāng)其余參數(shù)不變，只改變預(yù)測階數(shù)p時，如下圖(a)(b)(c)所示： (a) 預(yù)測階數(shù)p=5， (b) 預(yù)測階數(shù)p=10， (c) 預(yù)測階數(shù)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(shù)NN=100 幀數(shù)NN=100 幀數(shù)NN=100 圖32 只改變預(yù)測階數(shù)p時汽車聲綜合比較圖表31 只改變預(yù)測階數(shù)p時汽車聲程序運(yùn)行時間對比表預(yù)測階數(shù)p p=5p=10p=20程序運(yùn)行時間t由各圖比較可見，隨著預(yù)測階數(shù)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(yùn)算量越大。當(dāng)其余參數(shù)不變，只改變幀重合長度len時，如下圖(a)(b)(c)所示：(a) 預(yù)測階數(shù)p=10， (b) 預(yù)測階數(shù)p=10， (c) 預(yù)測階數(shù)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(shù)NN=100 幀數(shù)NN=100 幀數(shù)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(dāng)其余參數(shù)不變，只改變幀長度L時，如下圖(a)(b)(c)所示：(a) 預(yù)測階數(shù)p=10， (b) 預(yù)測階數(shù)p=10， (c) 預(yù)測階數(shù)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(shù)NN=100 幀數(shù)NN=100 幀數(shù)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(dāng)其余參數(shù)不變，只改變幀數(shù)NN時，如下圖(a)(b)(c)所示：(a) 預(yù)測階數(shù)p=10， (b) 預(yù)測階數(shù)p=10， (c) 預(yù)測階數(shù)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(shù)NN=50 幀數(shù)NN=100 幀數(shù)NN=150 圖35 只改變幀數(shù)NN時汽車聲綜合比較圖由各圖比較可見，當(dāng)NN值越大時（即幀數(shù)越多），則特征值數(shù)據(jù)量越大，變化量也越多。 卡車聲目標(biāo)（卡車聲）聲數(shù)據(jù)作為識別的集合，聲目標(biāo)信號采樣頻率為8kHz，幀長160/8000ms，幀移40/8000ms，窗函數(shù)采用漢明窗。如下圖所示： 圖36 預(yù)測階數(shù)p=10，幀重合長度len=80，幀長度L=160，幀數(shù)NN=100（卡車聲）當(dāng)其余參數(shù)不變，只改變預(yù)測階數(shù)p時，如下圖(a)(b)(c)所示：(a) 預(yù)測階數(shù)p=5， (b) 預(yù)測階數(shù)p=10， (c) 預(yù)測階數(shù)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(shù)NN=100 幀數(shù)NN=100 幀數(shù)NN=100圖37 只改變預(yù)測階數(shù)p時卡車聲綜合比較圖表32 只改變預(yù)測階數(shù)p時卡車聲程序運(yùn)行時間對比表預(yù)測階數(shù)p p=5p=10p=20程序運(yùn)行時間t由各圖比較可見，隨著預(yù)測階數(shù)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(yùn)算量越大。當(dāng)其余參數(shù)不變，只改變幀重合長度len時，如下圖(a)(b)(c)所示：(a) 預(yù)測階數(shù)p=10， (b) 預(yù)測階數(shù)p=10， (c) 預(yù)測階數(shù)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(shù)NN=100 幀數(shù)NN=100 幀數(shù)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(dāng)其余參數(shù)不變，只改變幀長度L時，如下圖(a)(b)(c)所示：(a) 預(yù)測階數(shù)p=10， (b) 預(yù)測階數(shù)p=10， (c) 預(yù)測階數(shù)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(shù)NN=100 幀數(shù)NN=100 幀數(shù)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(dāng)其余參數(shù)不變，只改變幀數(shù)NN時，如下圖(a)(b)(c)所示：(a) 預(yù)測階數(shù)p=10， (b) 預(yù)測階數(shù)p=10， (c) 預(yù)測階數(shù)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(shù)NN=50 幀數(shù)NN=100 幀數(shù)NN=150圖310 只改變幀數(shù)NN時卡車聲綜合比較圖由各圖比較可見，當(dāng)NN值越大時（即幀數(shù)越多），則特征值數(shù)據(jù)量越大，變化量也越多。 摩托車聲目標(biāo)（摩托車聲）聲數(shù)據(jù)作為識別的集合，聲目標(biāo)信號采樣頻率為8kHz，幀長160/8000ms，幀移40/8000ms，窗函數(shù)采用漢明窗。如下圖所示： 圖311 預(yù)測階數(shù)p=10，幀重合長度len=80，幀長度L=160，幀數(shù)NN=100（摩托車聲）當(dāng)其余參數(shù)不變，只改變預(yù)測階數(shù)p時，如下圖(a)(b)(c)所示：(a) 預(yù)測階數(shù)p=5， (b) 預(yù)測階數(shù)p=10， (c) 預(yù)測階數(shù)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(shù)NN=100