汉语声母的线性预测分析.doc

本科学生毕业论文论文题目：汉语声母的线性预测分析学 院：电子工程学院年 级： 专 业：电子信息科学与技术姓 名： 学 号： 指导教师： 摘要线性预测分析应用于语音信号处理，不仅具有预测功能，而且提供了一个非常好的声道模型。这种声道模型对理论研究和实际应用都相当有用的。因此，线性预测的基本原理和语音信号数字模型密切相关。汉语声母的线性预测分析技术用于语音编码时，利用模型参数可以有效地降低传输码率；还用于语音合成及语音分类、语音解混响等。线性预测技术产生至今，语音处理又有许多突破，但它仍然是最重要的分析技术。近20年语音信号处理技术的飞速发展与以线性预测为中心的信号处理技术是分不开的，特别是在线性预测提出多种参数形式，并在频谱特性度量方面发展了多种与人类听觉有密切联系的谱失真测度，对语音识别和语音编码研究的发展起了重要作用。关键词语音信号处理；线性预测；线性预测系数abstract linear prediction used in speech signal processing, not only with forecasting capabilities, but also provides a very good channel model. this channel model is very useful for theoretical research and practical application. therefore, the basic principles of linear prediction and voice signals, digital models are closely related. chinese initials linear predictive analysis technology for speech coding, the use of model parameters can effectively reduce the transmission rate; also used for speech synthesis and voice classification, voice solutions reverb. since the linear prediction technique to produce, voice processing, there are many breakthroughs, but it is still the most important analytical techniques. nearly 20 years of voice signal processing technology for the rapid development and linear prediction signal processing techniques are inseparable, especially online prediction form of a variety of parameters, and spectrum measurement, the development of a variety of human hearing close contact with the spectral distortion measure, and played an important role in the development of speech recognition and speech coding.key wordsspeech signal processing ;linear predictioncoding; linear prediction coding analysisii目录摘要iabstractii前言1第一章 语音信号处理21.1语音信号处理基本知识21.1.1 语音的录入与打开21.1.2 采样位数和采样频率21.1.3 时域信号的fft分析31.1.4 数字滤波器设计原理31.1.5 倒谱的概念41.2 语音信号处理研究现状5第二章 线性预测的基本原理52.1 线性预测分析的基本思想52.2 求线性预测系数62.3 用和求 (合成)72.4 线性预测模型参数和语音生成模型参数之间的关系8第三章 基于matlab的线性预测实现的波形83.1 原始波形83.2 汉明窗93.3 短时谱113.4 语谱图12第四章 实验134.1 语音信号的提取134.2 语音信号的调整154.2.1. 语音信号的频率调整154.2.2 语音信号的振幅调整154.3 语音信号的傅里叶变换16第五章 声母的线性预测分析185.1 声母信号的取样185.2线性预测谱的阶数选择195.3声母的分帧线性预测谱205.4声母的线性预测谱与语图谱22结论23参考文献24致谢25汉语声母的线性预测分析前言语音信号处理是一门边缘学科，它主要是数字信号处理和语音学等学科的结合产物，所以它必然受这些科学的影响，同时也随着这些学科的发展而发展。语音信号处理又简称语音处理，它的研究目的和处理方法多种多样，一直是数字信号处理技术发展的重要推动力两，而数字信号处理的很大部分内容页设计语音处理。本文就简单的对汉语的声母的线性预测分析进行描述。声母的谱结构在语音分析、合成、识别以及人工智能等方面有十分重要的意义。由于线性预测理论在语音技术中的应用日益深入, 因此本文采用线性预测的方法对汉语普通话声母进行谱分析。整个谱分析工作在通用的微机系统上进行。本重点是解决声母谱分析中几个特别困难的问题, 如在取样方面, 如何采取措施以保证原始数据的准确性, 在谱分析时, 对信号帧长、预测阶数升何选择。最后, 过实验,对汉语普通话声母音素确定了在给定取样率情况下的信号帧长及预测阶数, 作出了它们的线性预测谱。并与语图谱进行比较, 结果令人满意。 胡航.语音信号处理 (第三版) m.黑龙江.哈尔滨工业大学出版社2005.2第一章 语音信号处理当今世界整处于信息时代，计算机技术、通信技术和电子技术的告诉发展，推动人类社会进入了信息社会。因特网和移动同喜的普及、电子购物的兴起、多媒体通信及其应用的蓬勃发展，改变了人类的生活、工作、娱乐的方式。信息的湖区、处理、传输、显示和存储，是信息技术研究的主要内容。人类作为社会的主人，一直是接收和发送信息的主题。语音，始终是人类互相交流、互相通信的最主要、最方便、最快捷的工具信息载体。语音处理技术的应用极其广泛，包括工业、军事、交通、医学、民用等各个领域。目前，语音信号处理技术处于蓬勃发展的时期，已有大量的产品投放市场，并且不断地有新产品被开发研究，具有极其广阔的市场需要和应用前景。 王一世.数字信号处理 m.北京.北京理工大学出版社2005.71.1语音信号处理基本知识 胡航.语音信号处理 (第四版) m.黑龙江.哈尔滨工业大学出版社2009.71.1.1 语音的录入与打开正在matlab中，y,fs,bits=wavread(blip,n1 n2);用于读取语音，采样值放在向量y中，fs表示采样频率(hz)，bits表示采样位数。n1 n2表示读取从n1点到n2点的值（若只有一个n的点则表示读取前n点的采样值）。 sound(x,fs,bits); 用于对声音的回放。向量y则就代表了一个信号（也即一个复杂的“函数表达式”）也就是说可以像处理一个信号表达式一样处理这个声音信号。1.1.2 采样位数和采样频率采样位数即采样值或取样值，用来衡量声音波动变化的参数，是指声卡在采集和播放声音文件时所使用数字声音信号的二进制位数。采样频率是指录音设备在一秒钟内对声音信号的采样次数，采样频率越高声音的还原就越真实越自然。采样位数和采样率对于音频接口来说是最为重要的两个指标，也是选择音频接口的两个重要标准。无论采样频率如何，理论上来说采样的位数决定了音频数据最大的力度范围。每增加一个采样位数相当于力度范围增加了6db。采样位数越多则捕捉到的信号越精确。对于采样率来说你可以想象它类似于一个照相机，44.1khz意味着音频流进入计算机时计算机每秒会对其拍照达441000次。显然采样率越高，计算机摄取的图片越多，对于原始音频的还原也越加精。1.1.3 时域信号的fft分析fft即为快速傅氏变换，是离散傅氏变换的快速算法，它是根据离散傅氏变换的奇、偶、虚、实等特性，对离散傅立叶变换的算法进行改进获得的。在matlab的信号处理工具箱中函数fft和ifft用于快速傅立叶变换和逆变换。函数fft用于序列快速傅立叶变换，其调用格式为y=fft(x)，其中，x是序列，y是序列的fft，x可以为一向量或矩阵，若x为一向量，y是x的fft且和x相同长度；若x为一矩阵，则y是对矩阵的每一列向量进行fft。如果x长度是2的幂次方，函数fft执行高速基2fft算法，否则fft执行一种混合基的离散傅立叶变换算法，计算速度较慢。函数fft的另一种调用格式为y=fft(x,n)，式中，x，y意义同前，n为正整数。函数执行n点的fft，若x为向量且长度小于n，则函数将x补零至长度n；若向量x的长度大于n，则函数截短x使之长度为n；若x 为矩阵，按相同方法对x进行处理。1.1.4 数字滤波器设计原理数字滤波器的作用是利用离散时间系统的特性对输入信号波形(或频谱)进行加工处理，或者说利用数字方法按预定的要求对信号进行变换。数字滤波器可以理解为是一个计算程序或算法，将代表输入信号的数字时间序列转化为代表输出信号的数字时间序列，并在转化过程中，使信号按预定的形式变化。数字滤波器有多种分类，根据数字滤波器冲激响应的时域特征，可将数字滤波器分为两种，即无限长冲激响应（iir）滤波器和有限长冲激响应（fir）滤波器。从性能上来说，iir滤波器传输函数的极点可位于单位圆内的任何地方，因此可用较低的阶数获得高的选择性，所用的存贮单元少，所以经济而效率高。但是这个高效率是以相位的非线性为代价的。选择性越好，则相位非线性越严重。相反，fir滤波器却可以得到严格的线性相位，然而由于fir滤波器传输函数的极点固定在原点，所以只能用较高的阶数达到高的选择性；对于同样的滤波器设计指标，fir滤波器所要求的阶数可以比iir滤波器高510倍，结果，成本较高，信号延时也较大；如果按相同的选择性和相同的线性要求来说，则iir滤波器就必须加全通网络进行相位较正，同样要大增加滤波器的节数和复杂性。整体来看，iir滤波器达到同样效果阶数少，延迟小，但是有稳定性问题，非线性相位；fir滤波器没有稳定性问题，线性相位，但阶数多，延迟大。1.1.5 倒谱的概念定义：倒谱定义为信号短时振幅谱的对数傅里叶反变换。 陈后金.信号分析与处理实验 m.高等教育出版社 2006.8特点：具有可近似地分离并能提取出频谱包络信息和细微结构信息的特点用途： 提取声道特征信息：提取频谱包络特征，以此作为描述音韵的特征参 数而应用于语音识别。 提取音源信息：提取基音特征，以此作为描述音韵特征的辅助参数而应用于语音识别。求法如图 1-1： 图1-1 倒谱的求法a：短时信号；b：短时频谱；c：对数频谱； d：倒谱系数；e：对数频谱包络；1.2 语音信号处理研究现状 gersho a,gr r m.vector quantization and signal compression boston,kluwer academicpublishers 2001.920世纪60年代中期形成的一系列数字信号处理的理论和算法，如数字滤波器、快速傅立叶变换（fft）等是语音信号数字处理的理论和技术基础。随着信息科学技术的飞速发展，语音信号处理取得了重大的进展：进入70年代之后，提出了用于语音信号的信息压缩和特征提取的线性预测技术（lpc），并已成为语音信号处理最强有力的工具，广泛应用于语音信号的分析、合成及各个应用领域，以及用于输入语音与参考样本之间时间匹配的动态规划方法；80年代初一种新的基于聚类分析的高效数据压缩技术矢量量化（vq）应用于语音信号处理中；而用隐马尔可夫模型（hmm） 姚天顺、朱靖波.基于增益的隐马尔科夫模型的文本分析 j.东北大学计算机软件研究所 2004.2描述语音信号过程的产生是80年代语音信号处理技术的重大发展，目前hmm已构成了现代语音识别研究的重要基石。近年来人工神经网络(ann)的研究取得了迅速发展，语音信号处理的各项课题是促进其发展的重要动力之一，同时，它的许多成果也体现在有关语音信号处理的各项技术之中。语音处理技术的应用及其广泛，包括工业、军事、交通、医学、民用等各个领域。目前语音处理技术处于蓬勃发展的时期，已有大量的产品同房市场，并且不断有新产品呗开发研制，具有极其广阔的市场需求和应用前景。第二章 线性预测的基本原理2.1 线性预测分析的基本思想由于语音样点之间存在相关性，所以可以用过去的样点值来预测现在或未来的样点值。通过使实际语音和线性预测结果之间的误差在某个准则下达到最小值来决定唯一的一组预测系数这组系数就能反映语音信号的特性，可以作为语音信号特性参数来用于语音编码、语音合成和语音识别等应用中去。2.2 求线性预测系数 赵力.语音信号处理 m.机械工业出版社 2009.7 每个采样值由前面的p个采样值线性组合。 在某个准则下达到最小值，来决定唯一的一组预测系数。要提高预测精度，即要求预测系数的取值使最小。理论上通常采用预测系数的取值使均方误差（是的函数)最小的准则 托普利兹矩阵 托普利兹矩阵除第一行第一列以外其他每个元素都与左上角的元素相同.。解出方程，可得个线性预测系数。将代入(2)式，结合(5)式，由此得到的最小均方误差为： 2.3 用和求 (合成)对式进行z变换，有：） 语音信号的线性预测模型其中式中2.4 线性预测模型参数和语音生成模型参数之间的关系 fant g. acoustic theory of speech production m.the hague(thenetherlands):mution,1960用全极点模型来描述声道滤波器特性 两模型中信号之间的关系为： 生成模型 线性预测模型对同一语音信号，有：第三章 基于matlab的线性预测实现的波形 李勇、徐震.matlab辅助现代工程数字信号处理 m.西安.西安电子科技大学出版社 2005.23.1 原始波形在完成论文理论知识的介绍之后，我采用了matlab作为实验工具进行了实验分析，语音采集为男音，汉语声母“z”, 11.025 khz, 16 位, 单声道,在这我用matlab描述了它的原始波形图3-1：图3-1 声母“z”原始语音信号程序为;a=wavread(z.wav);subplot(6,1,)plot(a)3.2 汉明窗 是语音信号进行加窗分帧的一种方法。对原始语音信号进行加窗（汉明窗）处理，得到的图像如图2-2： 图3-2汉明窗处理图下面给出所加汉明窗的程序： a=wavread(z.wav);subplot(6,1,1),plot(a);n=32;for i=2:6h=hanning(2.(i-2)*n);%形成一个汉明窗，长度为2.(i-2)*n en=conv(h,a.*a);% 求短时能量函数en subplot(6,1,i),plot(en);if(i=2) legend(n=32);elseif(i=3) legend(n=64);elseif(i=4) legend(n=128);elseif(i=5) legend(n=256);elseif(i=6) legend(n=512);endend 陈永彬,王仁华. 语音信号处理 m.合肥:中国科技大学出版社,19903.3 短时谱 程佩青. 数字信号处理教程 m.北京.清华大学出版社 2007.6对信号进行短时谱所得图像如图3-3： 图3-3 短时谱相关程序：a=wavread(z.wav);subplot(2,1,1),plot(a);title(original signal);gridn=256;h=hamming(n);for m=1:n b(m)=a(m)*h(m)end y=20*log(abs(fft(b)subplot(2,1,2)plot(y);title(短时谱);grid；3.4 语谱图下面给出原始语音“z”的语谱图： 图3-4语谱图 相关程序：x,fs,nbits=wavread(z.wav);specgram(x,512,fs,100); xlabel(时间(s);ylabel(频率(hz);title(语谱图);第四章 实验4.1 语音信号的提取 李勇、徐震.matlab辅助现代工程数字信号处理 m.西安.西安电子科技大学出版社 2005.2在matlab中使用wavread函数，可得出信号的采样频率为22500，并且声音是单声道的。利用sound函数可以清晰的听到“z”的语音。采集数据并画出波形图。其中声音的采样频率fs=22050hz，y为采样 数据，nbits表示量化阶数。部分程序如下： fn=input( enter wav filename:,s); %获取一个*.wav的文件x,fs,nb=wavread(fn);ms2=floor(fs*0.002);ms10=floor(fs*0.01);ms20=floor(fs*0.02);ms30=floor(fs*0.03);t=(0:length(x)-1)/fs; %计算样本时刻 subplot(2,1,1); %确定显示位置plot(t,x); %画波形图legend(waveform);xlabel( time(s);ylabel(amplitude); 运行后弹出语音信号处理系统的操作界面如图4-1： 图4-1语音信号处理系统的操作界面输入要处理的语音信号的名称，便可得到语音语音的波形图如图4-2： 图4-2 “z”语音语音的波形图 如图中提取的语音的波形图所示，整段音频数据中得声音高低起伏与录入的声音信号基本一致，并且可以观察到其中包含部分高频噪声。4.2 语音信号的调整在语音信号的研究中，经常会对语音信号进行进行多倍频率以及多倍幅度变换调整，日常应用中，这种变换调整也经常要用到。所以在设计中也添加了这种功能，并能够观察调整后的信号的波形图得变化， 而且能通过语音处理界面的输出功能试听处理后的语音信号。4.2.1. 语音信号的频率调整在设计中，可以将语音信号的采样频率提高或降低，来实现语音信号的调整，得到理想的语音信号。例如将采样频率提高一倍，即可得到语音信号频率为原频率2倍新的语音信号。运行processadjustfrequency，得到如图4-3的信号波形图，并试听调整后的效果。图4-3频率调整后波形图与原语音信号相比，经过调整后的信号周期变为原来的1/2，此时的语速明显变快，即实现了信号的2倍频功能。4.2.2 语音信号的振幅调整在设计中，可以将语音信号的幅度进行提高或降低操作，来实现语音信号的调整，得到声音音量大小不同的语音信号，例如将原语音信号的幅度提高一倍，得到如下图4-4的信号波形图，可以通过gui操作界面的输出功能试听调整后的效果。图4-4 幅度调整后波形图 此时听到的调整后声音声调变高，但不是很明显，可以将幅度的变化值设置的比较大，那样的话就可以得到效果相当明显的语音信号了。4.3 语音信号的傅里叶变换 傅里叶变换能将满足一定条件的某个函数表示成三角函数（正弦和/或余弦函数）或者它们的积分的线性组合。倒谱分析是指信号短时振幅谱的对数进行傅里叶反变换。它具有可近似地分离并提取出频谱包络信息和细微结构信息的特点。 对语音信号进行频谱分析，在matlab中可以利用函数fft对信号行快速傅里叶变换，得到信号的频谱图，并进行倒谱分析，得到倒谱图。 傅里叶变换的部分程序如下：x=y(44101:55050,1); %提取原语音信号的一部分t=(0:length(x)-1)/fs; %计算样本时刻subplot(3,1,1); %确定显示位置plot(t,x); %画波形图legend(波形图);xlabel( time(s);ylabel(amplitude);y=fft(x,hamming(length(x); %做加窗傅里叶变换fm=5000*length(y)/fs; %限定频率范围f=(0:fm)*fs/length(y); %确定频率刻度subplot(3,1,2);plot(f,20*log10(abs(y(1:length(f)+eps);legend(频谱图); %画频谱图ylabel(幅度(db);xlabel(频率(hz);c=fft(log(abs(x)+eps); %倒频谱计算ms1=fs/1000;ms20=fs/50q=(ms1:ms20)/fs; %确定倒频刻度subplot(3,1,3);plot(q,abs(c(ms1:ms20); %画倒谱图legend(倒谱图);xlabel(倒频（s）);ylabel(倒频谱幅度（hz）);运行process transform，对语音信号的一部分进行傅里叶变换，并进行倒谱分析，得到如图4-6图4-6 声音样本波形图、频谱图和倒谱图第五章 声母的线性预测分析5.1 声母信号的取样 张军英. 说话人识别的现代方法与技术 m.西安:西北大学出版社由于辅音一般具有能量小、持续时间短、高频分量多这样一些特点, 因此准确地获取声原始数据是一个重要而困难的问题。谱分析结果的好坏首先决定于数据是否准确。本文中实验用的辅音由广播电视播音员（男女各一名）在消声室内录音, 以增加信噪比, 减小外界噪声对分析结果的影响。由于线性预测谱对噪声敏感, 因此取样时, 为了尽量提高信号噪声比, 各个辅音采用了不同的放音电平。所以下文中各辅音谱的绝对db数不代表它们之间的相对强弱。每个声母的发音方式为元音一辅音一元音。这样的组合发音比单独声母更加接近自然发音, 同时也为辅音信号的取样带来便。由于汉语声调的变化发生在元音部分,可以认为对辅音没有影响, 因此, 辅音前面的元音都发轻声, 后面的元音都发第一声。取样系统以微机作为控制中口对辅音信号进行取样, 简单过程如下:模拟信号经低通滤波器滤去10khz 以上的频率分量, 由a/d 转换为数字信号, 送入计算机检查。当计算机发现第一个元音段开始时,则进入取样准备状态。当发现信号进入声母段时, 便开始取样。样点先暂存在内存中。经判别后, 再将内存中的声母信号存入磁盘以备谱分析时用。实际上, 在送数据到磁盘之前, 先由a/d将取样信号还原为模拟信号,由录放机放音。当听觉满意时, 再送数据到磁盘。上述取样过程中, 元音段与辅音段的判别是根据两音能量的大小进行的。从实验中知道, 发音过程中, 当从元音过渡到辅音时,口腔声道的形状发生变化。这时将出现无声区的背景噪声。由子这个背景噪声的能量与某些辅音的能量大小相当, 因此取样时容易误认为是辅音信号。在这种情况下, 单从能量大小来判别元音和辅音是不够的。更完善的方法应同时从能量及跨零率两方面考虑。但是, 跨零率的考虑又会使算法复杂化, 增加运算量。因此为了使取样方法简单易行,本文仍采用能量作为判别元音与辅音的主要依据, 辅以下述补偿手段以辅音后接元音的起点作为标准, 根据听觉判断是否取在辅音段。观察信号波形, 根据对。辅音时间波形的先验知识判断是否为辅音。5.2线性预测谱的阶数选择 rivarol vergin, douglas oshaughnessy and azarshid farhat, generalized mel frequency cepstral coefficients for large-vocabulary speaker-independent continuous-speech recognition, ieee transactions on speech and audio processing, vol.7, no.5, 1999.9线性预测的阶数选择是谱分析的一个重要问题。由于线性预测谱反映信号能量的包络, 因此, 过低的阶数会使谱过于平滑, 不能反映出信号的谱峰, 而过高的阶数又会使谱过于细致, 甚至出现虚假的谱峰, 也不能很好地反映出信号的谱特性。目前, 关于阶数的选择间题还没有统一的结论。多靠重复实验来确定“ 最佳” 阶数。一般认为, 阶数与信号帧长、取样率等有关。帧长长、取样率高, 则阶数相应高些;反之,则阶数相应低些。本文根据赤驰(akaika) 的“最终预测误差”判阶准则, 对汉语普通话辅音作了阶数自适应实验, 认为在20khz取样率的情况下,阶数取16比较合适。尽管各个辅音的阶数可以不同, 而且某一特定辅音各帧间的阶数也可以不同, 但作为一个统计平均的选择,16阶能较好地反映出各个辅音的主要谱峰, 既不过份平滑, 也不过份细致。图5-2是男生“x”的线性预测谱。取样率为20khz，帧长为10ms。途中看出当阶数从16增加到24时，5khz出的单峰逐渐变为双峰，级谱变得过分细致。 图5-2 男声“x”的线性预测谱5.3声母的分帧线性预测谱 doh-suk kim, soo-young leg and rhee m. kil, auditory processing of speech signals for robust speech recongbition in real-world noisy environments, ieee transactions on speech and audio processing, vol.7, no.1, 1999.1谱分析时, 信号必须具有平稳性。声母信号中, 最短的音只有几个毫秒, 而最长的音可有100多毫秒。因此在分析声母时, 信号往往分成若干帧, 使每一帧近似平稳。一般说, 帧长越长, 则谱估值的偏差越小, 但同时时间特性就越差, 因此要在偏差与时间特性之间进行折衷。较长辅音的谱随时间变化的速率不快, 帧长可以长些以减小谱估值的偏差, 较短的辅音, 则帧长取得短些以改善谱估值的时间特性。帧长的选择应以不破坏信号的短时平稳性为准。下表是本文对汉语声母进行谱分析是，信号帧长及阶数的选。不符合表的格式声母bpmfdtnlgkh帧长2.5515102.5515152.5510阶数1616201616162020161616声母jqxzhchshrzcsng帧长10101051010155101015阶数1616161616162016161620除了“b”、“d”、“g”这三个声母，帧长的选择应该尽量短外，其他声母的帧长悬着有一定的灵活性。本文一般取10毫秒。图5-3，图5-4，图5-5是女声“j”在帧长分别在5、10、15ms情况下的线性预测谱取样率为20khz，阶数为16.显然，帧的长度对谱的影响不大。图5-3 女声“j”的线性预测谱 帧长为5ms 图5-4 女声“j”的线性预测谱 帧长为10ms图5.5 女声“j”的线性预测谱 帧长为 15ms对较长的声母来说, 它们分帧后的各帧谱基本上是相同的。图4 取自女声“sh“ 的四帧谱图。取样率为20khz, 阶数为16, 帧长为10毫秒。图第一帧与第四帧时间上间隔20