语音信号处理 第2版 作者 赵力 语音信号处理第3章.pptVIP

倒谱法 虽然可以直接对语音信号求离散傅里叶变换（DFT）。然后用DFT谱来提取信号的共振峰参数，介是，直接DFT的谱要爱基频谐波的影响，最大值只能出现在谐波频率上，因而共振峰测定误差较大。为了消除基频谐波的影响，可以采用同态解卷技术，经过同态滤波后得到平滑的谱，这样简单地检测峰值就可以直接提取共振峰参数，因而这种方法更为有效和精确。因为倒谱运用对数运算和二次变换将基音谐波和声道的频谱包络分离开来。因此用低时窗l(n)从语音信号倒谱c(n)中所截取出来的h(n)，能更精确地反映声道响应。这样，由h(n)经DFT得到的H^(k)，就是声道的离散谱曲线。用H^(k)代替直接DFT的频谱，因为去除了激励引起的谐波波动，所以可以更精确地得到共振峰参数。 倒谱法 图3-31所示为倒谱法求取语音频谱包络的原理。实验表明，倒谱法因为其频谱曲线的波动比较小，所以估计共振峰参数的效果是较好的，但其运算量太大。 倒谱法 从线性预测导出的声道滤波器是频谱包络估计器的必威体育精装版形式，线性预测提供了一个优良的声道模型(条件是语音不含噪声)。尽管线性预测法的频率灵敏度和人耳不相匹配，但它仍是最廉价、最优良的行之有效的方法。 用线性预测可对语音信号进行解卷：即把激励分量归入预测残差中，得到声道响应的全极模型H(z)的分量，从而就得到这个分量的ai参数。另外，也可以采用抛物线内插技术，解决频率分辨率较低的情况下的共振峰频率值的求取，它的原理如图3-22所示。 倒谱法 这一章讨论了语音信号数字处理的一些基本问题和最重要或常用的若干处理方法，这些内容对语音信号数字处理的任何一个研究领域都是必需的，基中贯穿全书的是语音信号产生模型和语音信号的短时分析技术。 线性预测方程组的求解 把上式展开写成矩阵形式： 这种方程叫Yule-Wslker方程，方程左边的矩阵称为托普利兹(Toeplitz)矩阵，它是以主对角线对称的、而且其沿着主对角线平行方向的各轴向的元素值都相等。这种Yule-Wslker方程可用莱文逊-杜宾(Levinson—Durbin)递推算法来高效地求解。下面介绍Durbin快速递推算法。 线性预测方程组的求解 完整的递推过程为： if ip go to (1) LPC谱估计和LPC复倒谱 1.LPC谱估计 当求出一组预测器系数后，就可以得到语音产生模型的频率响应，即： 因此在共振峰频率上其频率响应特性会出现峰值。所以线性预测分析法又可以看做是一种短时谱估计法。其频率响应H(ejω)即称为LPC谱。 LPC谱估计和LPC复倒谱 1.LPC谱估计 LPC谱估计具有一个特点：在信号能量较大的区域即接近谱的峰值处，LPC谱和信号谱很接近；而在信号能量较低的区域即接近谱的谷底处，则相差比较大。这个特点对于呈现谐波结构的浊音语音谱来说，就是在谐波成分处LPC谱匹配信号谱的效果要远比谐波之间好得多。LPC谱估计的这一特点实际上来自均方误差最小准则。 从以上讨论我们知道如果p选得很大，可以使|H(ejω)|精确地匹配于|S(ejω)|，而且极零模型也可以用全极点模型来代替，但却增加了计算量和存储量，且p增加到一定程度以后，预测平方误差的改善就很不明显了，因此在语音信号处理中，p一般选在8～14之间。 LPC谱估计和LPC复倒谱 2．LPC复倒谱 LPC系数是线性预测分析的基本参数，可以把这些系数变换为其他参数，以得到语音的其他替代表示方单。LPC系数可以表示整个LPC系统冲激响应的复倒谱。 按上式求得的复倒谱h^(n)称之为LPC复倒谱。 LPC复倒谱由于利用了线性预测中声道系统函数H(z)的最小相位特性，避免了相位卷绕问题；且LPC复倒谱的运算量小，它仅是用FFT求复倒谱时运算量的一半；又因为当p→∞时，语音信号的短时复频谱S(ejω)满足|S(ejω)|= |H(ejω)|，因而可以认为h^(n)包含了语音信号频谱包络信息，即可近似把h^(n)当作s(n)的短时复倒谱s^(n)，来分别估计出语音短时谱包络和声门激励参数。在实时语音识别中也经常采用LPC复倒谱作为特征矢量。 对以上所介绍的进行总结可知，为了估计语音信号的短时谱包络，有三种方法：①由LPC系数直接估计语音信号的谱包络；②由LPC倒谱估计谱包络；③求得复倒谱s^(n)，再用低时窗取出短时谱包络信息，这种方法称之为FFT倒谱。 LPC谱估计和LPC复倒谱 3．LPC美尔倒谱系数(LPCCMCC) 由式(3-143)求得复倒谱h^(n)后，由c(n)=1/2[h^(n)+h^(-n)]即可求出倒谱c(n)。但是，这个倒谱c(n)是实际频率尺度的倒谱系数(称为LPC倒谱系数：LPCC)。根据人的听觉特性可以把上述的