语音信号处理实验模板韩子平..docVIP

语音信号处理 课程考核报告 题目1: 不同窗长的修正自相关 题目2: 自相关法求预测系数 学 号: 201112135106 姓 名: 韩子平 班 级: 电信（DB）1103 2014年6月 ---------------------------------------------------------------------------------------- 评语： 第一题： 值九：不同窗长的修正自相关 实验目的 绘制不同矩形窗长度的修正短时自相关函数 二、 实验原理 自相关函数用于衡量信号自身时间波形的相似性。清音和浊音的发声机理不同，因而在波形上也存在着较大的差异。浊音的时间波形呈现出一定的周期性，波形之间相似性较好；清音的时间波形呈现出随机噪声的特性，样点间的相似性较差。因此，我们用短时自相关函数来测定语音的相似特性。短时自相关函数定义为： 令，并且，可以得到： 图给出了清音的短时自相关函数波形，图给出了不同矩形窗长条件下（窗长分别为N=70，N=140，N=210，N=280）浊音的短时自相关函数波形。由图1、图短时自相关函数波形分析可知：清音接近于随机噪声，清音的短时自相关函数不具有周期性，也没有明显突起的峰值，且随着延时k的增大迅速减小；浊音是周期信号，浊音的短时自相关函数呈现明显的周期性，自相关函数的周期就是浊音信号的周期，根据这个性质可以判断一个语音信号是清音还是浊音，还可以判断浊音的基音周期。浊音语音的周期可用自相关函数中第一个峰值的位置来估算。所以在语音信号处理中，自相关函数常用来作以下两种语音信号特征的估计： 1）区分语音是清音还是浊音； 2）估计浊音语音信号的基音周期。 图1 清音的短时自相关函数 图 不同矩形窗长条件下的浊音的短时自相关函数 1）基音频率的估计 首先可利用时域分析（短时能量、短时过零率、短时自相关）方法的某一个特征或某几个特征的结合，判定某一语音有效的清音和浊音段；其次，针对浊音段，可直接利用短时自相关函数估计基音频率，其方法是：估算浊音段第一最大峰的位置，再利用抽样率计算基音频率，举例来说，若某一语音浊音段的第一最大峰值约为35个抽样点，设抽样频率为11.025KHZ，则基音频率为11025/35=315 HZ。 但是，实际上第一最大峰值位置有时并不一定与基音周期吻合。一方面与窗长有关，另一方面还与声道特性有关。鉴于此，可采用三电平削波法先进行预处理。 2）语音端点的检测与估计 可利用时域分析（短时能量、短时过零率、短时自相关）方法的某一个特征或某几个特征的结合，判定某一语音信号的端点，尤其在有噪声干扰时，如何准确检测语音信号的端点，这在语音处理中是富有挑战性的一个课题。 线性预测分析是现代语音信号处理中最核心的技术之一，为现代语音信号处理的飞速发展立下了赫赫功劳，在语音分析、合成、编码、识别等方面都有着广泛的应用，至今仍是最有效的语音分析技术之一。如VoIP和H.323网上多媒体通信系统中所使用的G.729 CS-ACELP语音编码算法就是一种以共轭代数码本激励线性预测为基础的高质量的语音编码标准。1线性预测的基本原理在语音信号处理中最常用的模型是全极点模型。线性预测所包含的基本概念是，通过使实际语音抽样和线性预测抽样之间差值的平方和达到最小值，即进行最小均方误差的逼近，能够决定惟一的一组预测器系数。如果一个随机过程用一个p阶全极点系统受白噪声激励产生的输出来模拟，设这个系统的传递函数为：其中：p是预测器阶数；G是声道滤波器增益。由此，语音抽样s(n)和激励信号e(n)之间的关系可用下列差分方程来表示：即语音样点间有相关性，可以用过去的样点值预测未来样点值。对于浊音，激励e(n)是以基音周期重复的单位冲激；对于清音e(n)是平稳白噪声。在模型参数估计过程中，把如下系统称为线性预测器：式中：ai称为线性预测系数。从而，p阶线性预测器的系统函数具有如下形式：在式(1)中的A(z)称作逆滤波器，基传输函数为：而线性预测方程可以按如下方法得到：把某一帧内的短时平均预测误差定义为：由此可计算出预测系数。由于语音信号的短时平稳性，要分帧处理(10～30 ms)，对于一帧从n时刻开窗选取的N个样点的语音段s(n)，记为Φn(j，i)：2 G.729中线性预测分析的基本原理用10阶线性预测(LP)作短时分析，LP合成滤波器定义为：