没有合适的资源?快使用搜索试试~ 我知道了~
ARMA模型在语音信号线性预测分析中的应用
需积分: 18 10 下载量 145 浏览量
2016-12-03
21:10:33
上传
评论
收藏 568KB DOC 举报
温馨提示
试读
13页
语音信号是一种典型的非平稳随机信号,对语音做分帧处理后可以将其看作准平稳随机信号,从而使用处理平稳随机信号的方法进行处理。由于语音信号的产生可以用一个有理函数式来表达,因此可以用ARMA模型来对语音信号进行建模分析。本文介绍了用于随机时间序列的ARMA模型,线性预测分析的原理及方法,分析了ARMA模型中的AR模型在语音线性预测分析中的应用,阐述了在线性预测分析中AR模型参数求解的具体方法以及影响因素。
资源推荐
资源详情
资源评论
ARMA 模型在语音信号线性预测分析中的应用
摘要:语音信号是一种典型的非平稳随机信号,对语音做分帧处理后可以将其看作准平稳
随机信号,从而使用处理平稳随机信号的方法进行处理。由于语音信号的产生可以用一个
有理函数式来表达,因此可以用 ARMA 模型来对语音信号进行建模分析。本文介绍了用于
随机时间序列的 ARMA 模型,线性预测分析的原理及方法,分析了 ARMA 模型中的 AR 模型
在语音线性预测分析中的应用,阐述了在线性预测分析中 AR 模型参数求解的具体方法以及
影响因素。
关键词:ARMA 模型,AR 模型,线性预测分析,语音信号,随机信号,随机时间序列
引言
语音信号是一种随机信号,其特性及表征本质特征的参数均是随时间而变化的,是一
种非平稳随机过程,所以语音信号的数学模型中的参数应该是随时间而变化的。虽然语音
信号具有时变特性,但是它的特性随时间变化是很缓慢的在一个短时间范围内(一般为
10~30ms),其特性基本保持不变,即短时平稳性。所以可以做出一些合理的假设,将语
音信号分为一些相继的短段进行处理,在这些短段内认为语音信号特性是不随时间变化的
平稳随机过程,然后应用平稳随机过程的方法来处理语音信号。将语音信号分为一帧一帧
来分析其特征参数(帧长取为 10~30ms),这样对于整体的语音信号而言,分析出的是由
每一帧特征参数组成的特征参数随机时间序列。因为语音信号是一种随机过程,所以在语
音信号处理的很多方面可以应用随机模型分析法对语音信号进行处理分析。 ARMA 模型是
常用的拟合随机时间序列的模型,语音信号的线性预测分析(LPC)就是 ARMA 模型在语音
信号处理中的一种具体应用。下文首先阐述 ARMA 模型,然后介绍它在语音信号线性预测
分析中的应用方法。
1. ARMA 模型
ARMA 模型全称自回归滑动平均模型(Auto Regressive Moving Average Model),是研究平
稳随机过程有理谱的典型方法,适用于很大一类实际问题。 ARMA 模型频谱分辨率高,已
成为随机信号和现代谱分析中的一种重要的参数模型。ARMA 模型由博克斯(Box)和詹金斯
(Jenkins)创立,也称 B-J 方法,其基本思想是:某些时间序列是依赖于时间的一组时间变量,
构成该时序的单个序列值虽然具有不确定性,但整个序列的变化确有一定的规律性,可以
用相应的数学模型近似描述。通过对该数学模型的分析和研究,能够更本质地认识时间序
列的结构和特征,达到最小均方误差意义下的最优预测。
实际应用中所遇到的很多随机过程可以用有理传输函数模型很好地逼近,如图所示,
输 入 激 励 是 均 值 为 0 、 方 差 为 的 白 噪 声 序 列 , 系 统 的 传 输 函 数 为 :
。式中, 是前馈(动平均)支路的系数,称为 MA 系数; 是反
馈(自回归)支路的系数,称为 AR 系数。系统的输出序列是被建模的离散随机信号。该模
型的输出和输入之间满足差分方程: ,设 。输出功
率谱和输入功率谱存在以下关系: 。 ARMA 模型可以细
分为以下三种:AR 模型、MA 模型和 ARMA 模型三类。因为 的值仅与系统的增益有关,
所以可以归结到 中去,不失一般性,可令 。下面具体讨论这三种模型。
(一) AR 模型(Auto Regression Model):
如果除 外其它的 MA 系数都等于零,则 ,这种模型称为
p 阶自回归模型或简称为 模型,其传输函数为 ,模型的输
出功率谱密度为 ,这是一个全极点模型。在 模
型中,系统的输出 仅与白噪声序列 的当前值和 的 p 个过去值有关。
(二) MA 模型(Moving Average Model):
如果除 外其它的 AR 系数都等于零,则 ,这种模型称为 q 阶滑
动平均模型或简称为 模型,其传输函数为 ,模型的输出功率
谱为 ,这是一个全零点模型。在 模型中,系统
的输出 仅与白噪声序列 的当前值和 的 q 个过去值有关。
(三) ARMA 模型:
设 ,其它的 和 不全为零,则 ,这种模
型称为自回归滑动平均模型或简称为 ,这是一个零极点模型。
AR 模型和 MA 模型是 ARMA 模型的特例, 模型是由 模型经过 q=0 退
化而来, 模型是由 模型经过 p=0 退化而来。Wold 分解定理阐明了上述三
种模型之间的联系。该定理认为:任何广义平稳随机过程都可以分解为一个完全随机的部
分和一个确定的部分。确定性随机过程是一个可以根据其过去的无限个采样值完全加以预
测的随机过程。例如,一个由纯正弦信号(具有随机相位以保证广义平稳)和白噪声组成
的随机过程,可以分解为一个纯随机成分(白噪声)和一个确定性成分(正弦信号)。或
者可以把这种分解看成是把功率谱分解为一个表示白噪声的连续成分和一个表示正弦信号
的离散成分(具有冲击信号的形式)。Wold 分解定理的一个推论是:如果功率谱完全是连
续的,那么任何的 或 过程都能用无限阶的 (p 为无穷大)过程表
示;同样,任何的 或 过程都能用无限阶的 (q 为无穷大)过程表示。
这个定理很重要,因为如果选择了一个不合适的模型,只要模型的阶足够高,它任然能够
比较好地逼近被建模的随机过程。
估计 ARMA 或 MA 模型参数一般需要解一组非线性方程,而估计 AR 模型参数通常只需
要解一组线性方程组,因此 AR 模型的应用更广泛。如果被估计过程是 P 阶自回归过程,那
么用 模型即能够很精确地模拟它;如果被估计过程是 ARMA 或 MA 过程,或者是高
于 p 阶的 AR 过程,那么用 模型作为它们的模型时,虽然不可能很精确,但却可以尽
可能地逼近之,关键是要选择足够高的阶。
2. 线性预测的基本原理
剩余12页未读,继续阅读
资源评论
u014780546
- 粉丝: 2
- 资源: 5
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功