自适应滤波——线性预测（LPC）

作者：桂。

时间：2017-03-26 10:12:07

链接：http://www.cnblogs.com/xingshansi/p/6621914.html

【读书笔记05】

前言

西蒙.赫金的《自适应滤波器原理》第四版第三章，线性预测是Wiener Filter的应用，作为信号识别的特征以及信号编码的一种实现途径。本想着跳过这一章，但想着每一章多少记录一下，直到看到Kalman Filter，也就写写吧。主要包括：

　　1）前向线性预测原理；

　　2）线性预测应用实例；

内容为自己的学习笔记，如有不当之处，希望各位帮忙指出！

一、前向线性预测原理

以语音信号为例，声道模型的一种观点是：级联结构的共振峰模型。即：对于一般元音，可以用全极点模型，传输函数：

$H\left( z \right) = \frac{G}{{1 - \sum\limits_{i = 1}^p {{a_i}{z^{ - k}}} }}$

G为幅值因子，p为极点个数。

这里仅仅讨论全极点模型。对于输出$x(n)$和激励$u(n)$有差分方程：

$x\left( n \right) = \sum\limits_{i = 1}^p {{a_i}x\left( {n - i} \right) + Gu\left( n \right)}$

称系统

$\hat x\left( n \right) = \sum\limits_{i = 1}^p {{a_i}x\left( {n - i} \right)} $

为线性预测器。$\hat x\left( n \right)$是$x(n)$的估算值。$a_i$为预测系数(Linear Prediction Coefficient, LPC)，$p$为对应阶数。

对应单点预测误差：

$e(n) = x(n) - \hat x\left( n \right) = x(n) - \sum\limits_{i = 1}^p {{a_i}x\left( {n - i} \right)} $

预测误差：

$\sum\limits_n {{e^2}(n)} = \sum\limits_n {{{\left[ {x(n) - \sum\limits_{i = 1}^p {{a_i}x\left( {n - i} \right)} } \right]}^2}} $

对$a_i$求偏导即可实现求解，得出的方程组通常称为Yule-Walker方程。

二、应用实例

利用预测系数估计逼近系统响应$H$，可以用该系数表征语音的特性，也可以用逼近的$H$观察声道特性，同样可以进行共振峰提取，这些都可以看作说话人的特征。

给出代码：

clear all; clc; close all;
filedir=[];                             % 设置数据文件的路径
filename='a.wav';                       % 设置数据文件的名称
fle=[filedir filename]                  % 构成路径和文件名的字符串
[x,fs]=wavread(fle);                    % 读入语音数据
L=240;                                  % 帧长
p=30;                                   % LPC的阶数
y=x(8001:8000+L);                       % 取一帧数据
ar=lpc(y,p);                            % 线性预测变换
nfft=512;                               % FFT变换长度
W2=nfft/2;
m=1:W2+1;                               % 正频率部分下标值
Y=fft(y,nfft);                          % 计算信号y的FFT频谱
Y1=lpcar2ff(ar,W2-1);                   % 计算预测系数的频谱
% 作图
subplot 311; plot(y,'k');
title('一帧语音信号的波形'); ylabel('幅值'); xlabel('(a)')
subplot 312;
plot(m,20*log10(abs(Y(m))),'k','linewidth',1.5);
line(m,20*log10(abs(Y1)),'color','r','linewidth',2)
axis([0 W2+1 -30 25]); ylabel('幅值/db');
legend('FFT频谱','LPC谱',3); xlabel(['样点' 10 '(b)'])
title('FFT频谱和LPC谱的比较 p=4');subplot 313;
plot(m,20*log10(abs(Y(m))),'k','linewidth',1.5);
line(m,20*log10(abs(Y1)),'color','r','linewidth',2)
axis([0 W2+1 -30 25]); ylabel('幅值/db');
legend('FFT频谱','LPC谱',3); xlabel(['样点' 10 '(c)'])
title('FFT频谱和LPC谱的比较 p=30');

对应结果图：

可以看出，信号的频谱由慢变化分量调制高频信号，对应时域就是卷积，而声道模型对应卷积的$h(n)$，p选择过小估计不准，选择过大容易过拟合，这么看来lpc说是预测其实本质也是拟合的问题，同样有Over-fitting. 得到LPC谱之后，可以利用峰值查找等方式，进行共振峰估计。

参考：

Simon Haykin 《Adaptive Filter Theory Fourth Edition》.
宋知用：《MATLAB在语音信号分析和合成中的应用》.

自适应滤波——线性预测（LPC）相关推荐

自适应滤波（LMS，RLS）
1.背景及相关知识介绍自适应滤波存在于信号处理.控制.图像处理等许多不同领域,它是一种智能更有针对性的滤波方法,通常用于去噪. 图中x(j)表示 j 时刻的输入信号值,y(j)表示 j 时刻的输出信 ...
自适应滤波：最小均方误差滤波器（LMS、NLMS）
作者:桂. 时间:2017-04-02 08:08:31 链接:http://www.cnblogs.com/xingshansi/p/6658203.html 声明:欢迎被转载,不过记得注明出处哦 ...
自适应滤波实例之噪声抵消
实验模型 s(n)是立体声音乐信号,fs=8kHz,平均功率为0.0047: v(n)是零均值高斯白噪声,方差为1: h(n)是由5阶FIR低通滤器模拟,带宽为[0, 0.35fs]: 目标:d(n) ...
自适应滤波：维纳滤波器——FIR及IIR设计
作者:桂. 时间:2017-03-23 06:28:45 链接:http://www.cnblogs.com/xingshansi/p/6603263.html [读书笔记02] 前言仍然是西蒙. ...
4）自适应滤波（一）[LMS算法]
目录一.LMS算法 1.滤波器--改变信号频谱模拟滤波器: 数字滤波器: 2.自适应滤波器简介自适应滤波器: 非自适应滤波器: 自适应滤波器应用: 自适应滤波场景: 自适应滤波处理逻辑(处理非平 ...
【语音去噪】基于最小二乘自适应滤波LMS和RLS实现语音去噪含Matlab源码
1 简介自适应信号处理的理论和技术已经成为人们常用滤波和去噪技术.文中讲述了自适应滤波的原理以及LMS算法和RLS算法两种基本自适应算法的原理及步骤.并用MATLAB分别对两种算法进行了自适应滤波仿 ...
回声消除中的自适应滤波算法综述
作者:凌逆战博客园地址:https://www.cnblogs.com/LXP-Never/p/11773190.html 自适应回声消除原理声学回声是指扬声器播出的声音在接受者听到的同时,也通过 ...
滤波总结+应用举例1(kalman滤波、序贯滤波、UD分解滤波、遗忘滤波、信息滤波、自适应滤波)（内含matlab代码）
最近在研究滤波的相关知识,在此写个总结,以免自己遗忘. 卡尔曼滤波其实是一种估计方法,在已知前一时刻的状态量和当前时刻的量测情况下,估计当前状态量. 1.首先介绍常规kalman filter(含详细 ...
蓝牙耳机ENC通话降噪测试-自适应滤波技术
主动降噪和通话降噪是不一样的降噪技术,主动降噪是起到把环境噪声最大程度地抵消,让使用耳机的人享受安静的环境:而通话降噪则是另一个方向的应用,它可以让使用通话降噪耳机的人在嘈杂的马路边打电话,或者在飞驰 ...
【信号检测】基于matlab自适应滤波法微弱信号检测【含Matlab源码 2308期】
⛄一.自适应滤波法微弱信号检测 1 NLMS自适应滤波 1.1 NLMS自适应滤波基本原理最小均方 (LMS) 误差自适应滤波器[4]是将输入信号x (t) 通过系数可调的加权滤波器后, 与期望的参 ...

自适应滤波——线性预测（LPC）

自适应滤波——线性预测（LPC）相关推荐

最新文章

热门文章