LPC特征提取

实验目的 

1、熟练运用MATLAB软件进行语音信号实验； 

2、熟悉短时分析原理、LPC的原理； 

3、学习运用MATLAB编程进行LPC的提取； 

4、学会利用短时分析原理提取LPC特征序列。 

LPC分析基本原理 
LPC分析为线性时不变因果稳定系统V（z）建立一个全极点模型，并利用均方误差准则，对已知的语音信号s(n)进行模型参数估计。

显然，误差越接近于零，线性预测的准确度在均方误差最小的意义上为最佳，由此可以计算出预测系数。

通过LPC分析，由若干帧语音可以得到若干组LPC参数，每组参数形成一个描绘该帧语音特征的矢量，即LPC特征矢量。由LPC特征矢量可以进一步得到很多种派生特征矢量，例如线性预测倒谱系数、线谱对特征、部分相关系数、对数面积比等等。不同的特征矢量具有不同的特点，它们在语音编码和识别领域有着不同的应用价值。

2 、自相关法 
在最佳线性预测中，若用下式定义的时间平均最小均方准则代替(3)式的集合平均最小均方准则，即令

事实上就是短时自相关函数，因而 

另外，当预测系数量化时，有可能造成实际系统的不稳定。 自相关解法主要有杜宾算法、格型算法和舒尔算法等几种高效递推算法。

3、 协方差法 
如果在最佳线性预测中，用下式定义的时间平均最小均方准则代替(3)式的集合平均最小均方准则，则可得到类似的方程：

可以看出，这里的数据段两端不需要添加零取样值。在理论上，协方差法计算出来的预测系数有可能造成预测误差滤波器的不稳定，但在实际上当每帧信号取样足够多时，其计算结果将与自相关法的结果很接近，因而稳定性一般是能够保证的 (当然这种方法也有量化效应可能引起不稳定的缺点)。 
协方差解法的最大优点在于不存在自相关法中两端出现很大预测误差的情况，在N和P相差不大时，其参数估值比自相关法要精确的多。但是在语音信号处理时，往往取N在200左右。此时，自相关法具有较大误差的段落在整个语音段中所占的比例很小，参数估值也是比较准确的。在这种情况下，协方差法误差较小的优点就不再突出，其缺乏高效递推算法的缺点成为了制约因素。所以，在语音信号处理中往往使用高效的自相关法。

实验过程（步骤） 
(1)、实验步骤 

1、输入原始语音 
2、对样本语音进行加窗处理 

3、计算LPC系数 

4、建立语音正则方程 
5、输出原始样本语音、预测语音波形和预测误差

 6、输出LPC谱 

7、求出预测误差的倒谱 
8、输出原始语音和预测语音的语谱图

http://wenku.baidu.com/link?url=T3JGgKZWOuUc0o9zEbmSx4nyYB51rcLgFIUQ6eoEPizfe7M41_6Hp9ZHcnlzik_tMjHnVhfaLgGwnasB8aguQUAaZwSm6j4jPu1TlxAV6m_