语音信号处理实验SSP实验-6第六章线性预测编码.ppt

第六章线性预测编码LPC清/浊开关基音周期冲激序列发生器随机噪声发生器增益Gu(n)输出语音x(n)LPC系数a1,a2,…ap声道模拟滤波器H(z)线性预测滤波器Hl(z)u(n)时变滤波器Hl(z)x(n)6-1概述语音信号产生的数字模型在估计如共振峰、谱、声道面积函数等基本的语音参数,线性预测是一种主要的技术。它能够极为精确地估计语音参数,用极少的参数有效而正确地表现语音波形及其频谱的性质,而且计算效率高;线性预测分析的基本原理是,一个语音的抽样能够用过去若干个语音抽样的线性组合来逼近。通过使实际语音抽样和线性预测抽样之间差值的平方和(在一个有限间隔上)达到最小值,即进行最小均方误差的逼近,能够决定唯一的一组预测系数,即线性组合的加权系数。6-1概述6-1概述线性预测分析的基本原理与语音信号产生的数字模型密切相关。线性预测能提供一个非常好的声道模型。该声道模型的优良性能不仅意味着线性预测是特别合适的语合编码方法,同时预测系数也是语音识别的非常重要的信息来源。(z)u(n)s(n)信号s(n)的模型化图中u(n)表示模型的输入,s(n)表示模型的输出。模型的输人,当s(n)为确定性信号时采用单位冲激序列,当s(n)为随机性信号时用白噪声序列。线性预测分析的基本原理是将被分析的信号用一个模型来表示,即将信号看作是某一个模型(即系统)的输出。这样,就可以用模型参数来描述信号。基于参数模型的谱估计方法和系统辨识有三种情况:AR模型(bl=0):只有极点没有零点的情况,称为自回归模型。MA模型(ai=0):只有零点没有极点的情况,称为滑动平均模型。ARMA模型:既有零点又有极点的情况,称为自回归滑动平均模型。三种参数模型实际上最常用的模型是全极点模型即自回归AR模型,这是因为:①全极点模型最容易计算,对全极点模型作参数估计是对线性方程组的求解过程,相对比较存易。②有时无法知道输入序列,比如对一些地震应用、脑电图及解卷积等问题。③如果不考虑鼻音和摩擦音,那么语音的声道传递函数就是一个全极点模型。线性预测法就是基于AR模型的假定,根据已知的s(n)采用均方最小误差准则对模型参数(ai)和G进行估计。G增益常数ai为实数,模型参数P模型的阶数AR模型:只有极点的自回归模型对于鼻音和摩擦音,更精确的声学理论表明其声道传输函数既有极点又有零点,这时如果模型的阶数p足够高,可以用全极点模型来近似表示极零点模型。(6-2)如果分母多项式收敛得足够快,只取其少数几项就够了,所以全极点模型为实际应用提供了合理的近似。因为一个零点可以用许多个极点来近似,、声道以及声门激励的全部谱效应简化为一个时变的数字滤波器来等效H(z)序列u(n)语音信号s(n)数字滤波器系统函数为把语音信号s(n)模型化为一个p阶的AR模型的系统输出,模型常用来产生合成语音,故滤波器H(z)亦称做合成滤波器。这个模型的参数有:浊音/清音判决、浊音语音的基音周期、增益常数G及数字滤波器参数ai。采用这样一种简化的模型,其主要优点在于能够用线性预测分析方法对滤波据系数{ai}和增益常数G进行有效的拟合计算。浊音相当于准周期序列清音相当于白噪声合成滤波器(6-4)