lpc10是语音信号分析的一个基础算法, g723 g729等都是在其基础构造的,区别是对激励源的编码不同
而莱文森-德宾是lpc10算法中求预测系数的重要一环,本文就对其的递推公式进行证明
首先从lpc系数的求解开始说吧
我们假定 s[n]是输入的语音信号
s`[n]是10阶预测信号
s`[n] = a10 * s[n - 10] + a9 * s[n - 9] + ... + a1 * s[n - 1]
我们取s`[n] 与 s[n] 方差最小值
(s[n] - s`[n])^2 ^2表示平方
然后对每个 a[i]求偏导,自然就得到了一个10元一次方程组,表示
10
Σa[i] * R(|k-i|) = R(k) k = 1,2,...,10 R(k)表示输入信号的自相关 --- 方程组1
i=1
即莱文森-德宾递推公式就是一种适合于计算机实现的解这个10一次方程组的算法
下面提到内积和正交的概念
A(z) B(z)分别表示前向预测与后向预测的逆滤波器的系统函数
则它们关于输入s[n]的内积这么定义
10 11
Σ Σ a[i]*b[k] R(|i-k|) R(n)同样表示输入信号s[n]的自相关函数
i=1 k=1
记作 <A(z),B(z)>
如果内积为零,则被称之为正交
这里可以立即得出这么一个结论
<A(z), z^(-l)>一定为零,这个参见方程组1
也就是说A(z)与z^(-l) l=1,2,...10正交时,A(z)是该阶次下最优估计的逆滤波器
开始递推,首先从零开始,零阶时,啥都没有
最优的逆滤波器自然就是
A0(z)=1
B0(z)=z^-1
构造出递推公式
A[i](z) = A[i-1](z) + ki * B[i - 1](z)
B[i](z) = z^-1{ B[i - 1](z) + ki * A[i-1](z) } ----- 等式2
其中 ki = -{ <A[i-1](z),B[i - 1](z)> } / { B[i - 1](z), B[i - 1](z) } ---- 等式1
现在只需要证 A[i](z) 与 z^-i正交即可 (当然B[i](z)也要与z^-i,两个证明的过程差不多)
将A[i](z) = A[i-1](z) + ki * B[i - 1](z)代入 <A[i](z), z^-i>
我们立该得到
<A[i-i](z), z^-i> + ki<B[i - 1](z), z^-i> = 0;
求出满足这个条件的ki就是了
<A[i-i](z), z^-i> 实际上与 <A[i-i](z), B[i-1](z)>是相等的,为什么呢?
因为A[i-1](z)是最优估计,那它一定与 z^-l (l=1,2,...,i-i)正交,而 B[i-i](z)的最高阶系数是1...
同理<B[i - 1](z), z^-i> 与<B[i-i](z), B[i-1](z)>也是相等的...
自然ki就是等式1的那种形式,
莱文森-德宾递推公式至此证明完毕
ki递推公式化简
i-1
分母可以化简为 R[i] + Σ a(m-1)[n] * R(|l-i|) 这个可以用<A[i-i](z), z^-i> 直接推导出
l=1
分子可以化简为 (1-k(l)^2)*(1-k(l-1)^2) ... (1-k(1)^2)*R(0)
这是由于 <z^-1 * F(z), z^-1 * G(z)> = <F(z), G(z)> = <F(1/z), G(1/z)> 由内积的定理可以直接证出
用 <B[i](z), B[i](z)> 等式2进行代换,再进行相应的合并同类项处理,就可以得到化简后的分子
笔者证了好几遍,但是每次证完,每次又都忘了。。。
妈了个逼的,好记性不如烂笔头啊。
分享到:
相关推荐
现代谱估计用莱文森-德宾(Levinson-Durbin)算法求解尤利-沃克(Yule-Walker)方程。 供谱估计学习交流用
通过对两种方法的比较谱估计的质量。以及不同信噪比,采样率对估计的影响
通过对两种方法的比较谱估计的质量。以及不同信噪比,采样率对估计的影响
通过对两种方法的比较谱估计的质量。以及不同信噪比,采样率对估计的影响
通过对两种方法的比较谱估计的质量。以及不同信噪比,采样率对估计的影响
通过对两种方法的比较谱估计的质量。以及不同信噪比,采样率对估计的影响
通过对两种方法的比较谱估计的质量。以及不同信噪比,采样率对估计的影响
ar模型分析谱分析,比较,各种算法的优缺点分析,matlab仿真,调用函数,就这么多了,称尤尔 - 沃克AR方程)使用的莱文森 德宾%递归。输入R是一个典型的矢量自相关
应用背景此文件包含线性预测的杜斌莱文森语音信号处理的代码。你可以在matlab中运行7.6或更高。该项目包含处理的语音信号。关键技术这个线性预测的对象是一个线性时不变的模型数字系统通过对输入和输出序列的观察,...
2.3求解尤利—沃克方程的莱文森—德宾算法 2.4计算ARMA模型的功率谱密度 2.5尤利—沃克谱估计算法 2.6协方差谱估计算法 2.7Burg谱估计算法 2.8最大似然谱估计算法 3.1维格纳(Wigner)分布 第三章 时—频分析...
A = rc2lpc(K): K 是反射系数向量:K = [k1, k2, ..., kp]。 A 是线性预测系数的向量:A = [1, a_p(1), a_p(2),..., a_p(p)] 如果传递了第二个输入参数,即A = rc2lpc(K,'矩阵'), 那么 A 是矩阵: [1, 0, 0, 0,....
§2.3求解尤利沃克方程的莱文森德宾算法…………灬….28 §24计算ARMA横型的功率谱密度18 §2.5尤利沃克谱佔计算法…………………*…………………22 §2.6协方差谱估计算法 ……ts29 §27Burg谱估计算法 ◆鲁b...
莱文森定理建立了相移δ(pn)与结合态数nB之间的关系,并读取了δ(p1)-δ(pN)=nBπ。 我们表明,网格上的equivalent等价的哈密顿算子生成的反应矩阵与Levinson定理兼容,但沿SRG轨迹是相等价的。 用能量转移的...
莱文森·杜宾 借助Levinson-Durbin算法创建语音信号的AR模型。 首先启动脚本发送器。 它将创建三个.bin文件。 量化误差,AR模型系数和最大误差。 接收器对语音信号进行加密时需要使用它。
在本文中,我们将(a)辩解说,根据莱文森自己的观点,他的陈述明确无误的事实是:“没有一种算法,给定一种语言的语法字符串,就可以找出其独特的逻辑形式或语义结构”(列文森2000:8)不会使我们对自动语言到逻辑...
白噪声MATLAB代码过滤器估计 包含估计输入白噪声滤波器脉冲响应的代码。 响应h = inverse(Rxx) * Ryx 。 ...是白人,所以Rxx是托普利茨。...代码实现了莱文森算法。 附上结果图。 'o' 是实际的。 'x' 是估计值。
适用于金融的Python食谱-代码存储库适用于金融的Python食谱发布时间:2020年1月31日平装:432页发行人:Packt Publishing 英语语言链接目录财务数据和预处理Python技术分析时间序列...·莱文森(Eryk Lewinson)...
埃里克·莱文森(Eryk Lewinson)。 Python财务手册。 Packt Publishing,2020年。 @book{Lewinson2019, address = {Birmingham, UK}, author = {Lewinson, Eryk}, edition = {1}, isbn = {9781789618518}, ...