基于matlab的lpc分析_語音信號處理實驗報告(編輯修改稿)
2025-09-06 16:31 本頁面
【文章內(nèi)容簡介】 號和激勵源的Z變換。對人的聽覺來說，濁音是最重要的語音信號。對于濁音，模型的激勵信號源e(n)是以基音周期重復(fù)的單位脈沖，此時有。可得的Z變換S(z)為 （17）式中，為P階線性預(yù)測系數(shù)。根據(jù)倒譜的定義，對具有最小相位特征的語音信號，有 （18）式中，為語音信號的倒譜。將式(16)代入式(17)，并對兩邊求導(dǎo)，得 （19）根據(jù)上式即可由線性預(yù)測系數(shù)通過遞推得到倒譜系數(shù)，將這樣得到的倒譜稱為線性預(yù)測倒譜系數(shù)。6 結(jié)合語音幀能量構(gòu)成LPC組合參數(shù)由于人能從聲音的音色、頻高等各種信息中感知說話人的個性，因此可以想象，利用特征的有效組合可以得到比較穩(wěn)定的識別性能。一般來說，如果組合的各參量之間相關(guān)性不大，則會更有效一些，因為它們分別反映了語音信號中的不同特征。多年來，人們對組合參數(shù)在說話人識別中的應(yīng)用進(jìn)行了大量研究 。實驗證明，組合參數(shù)可以提高系統(tǒng)的識別性能。組合參數(shù)雖然可以提高系統(tǒng)的性能，但很顯然，無論是在特征參數(shù)提取環(huán)節(jié)，還是在模型訓(xùn)練和模型匹配環(huán)節(jié)都使運(yùn)算量有所增加。在特征參數(shù)提取環(huán)節(jié)，要計算一種以上的特征參數(shù)。在模型訓(xùn)練和模型匹配環(huán)節(jié)，由于組合參數(shù)特征矢量的維數(shù)較多，使運(yùn)算復(fù)雜度有所增加。運(yùn)算量的增加會使系統(tǒng)的識別速度受到影響。為使運(yùn)算量問題得到較好的解決，所以可以由LPC參數(shù)與語音幀能量構(gòu)成組合參數(shù)，能夠在運(yùn)算量增加不明顯的情況下改進(jìn)系統(tǒng)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(gòu)成組合參數(shù)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(shù)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(biāo)量值，與其它參量構(gòu)成組合參數(shù)不會使原特征矢量的維數(shù)明顯增加，特征矢量的維數(shù)越少，則需要的運(yùn)算復(fù)雜度越小，另外，獲取語音幀能量的運(yùn)算并不復(fù)雜；3）語音幀能量與LPC參數(shù)之間的相關(guān)性不大，它們反映的是語音信號的不同特征，應(yīng)該有較好的效果。7 模型增益G模型的激勵信號表示為： （20） 預(yù)測誤差e(n)如式（2），這樣當(dāng)實際的預(yù)測系數(shù)與模型系數(shù)相等時，有 （21） 這說明激勵信號正比于誤差信號，其比例常數(shù)等于模型增益G。通常假設(shè)誤差信號的能量等于輸入激勵信號的能量，因此可以得到： （22） 對于式中的激勵信號，主要分為濁音和清音兩種情況。其中為濁音時，考慮到此時實際的激勵信號為聲門脈沖，因此可以將激勵信號表示為時的單位抽樣。為了保證這個假設(shè)成立，要求分析的區(qū)間應(yīng)該大致和語音基因周期的長度相等。當(dāng)語音為清音時，我們假定激勵信號為一個零均值、單位方差的平穩(wěn)白噪聲過程。采用自相關(guān)解法時，濁音的模型增益為 (23)清音計算模型增益的公式和濁音相同。三、實驗結(jié)果(參考)我們使用的原始語音為“北風(fēng)”，采樣頻率為11000Hz,運(yùn)行程序見附錄。在這里我們?nèi)〉?0幀進(jìn)行觀察，線性預(yù)測階數(shù)為12，預(yù)測語音幀波形和它們之
公司管理相關(guān)推薦
鄂ICP備17016276號-1