線性预测的自相关算法.docVIP

线性预测中的自相关系数 1．原理 线性预测是语音编码中的基本算法，其基本原理如下： 设语音信号的样值序列，第k时刻的取样值xk可以用之前的P个样值的线性组合来预测。 实际样值与预测值之间的误差为： 因此预测系统的传递函数为： 其中H(Z)是一个全极点滤波器，称为综合滤波器。A(Z)是H(Z)的逆滤波器，称为分析滤波器。在语音线性预测编码中，A(Z)的系数反映了声道特性。 为了使预测误差最小，采用最小均方误差准则，即使误差的均方值 最小。在预测阶数P给定后，就是所有预测系数的函数，因此： 可见，要使的预测误差最小，则必须与所有数据正交，称为正交性原理。将上式展开，可得： 其中，即信号的自相关系数。对平稳信号（语音信号一般不是平稳信号，但对单独处理的每帧来说，可以近似认为是短时平稳信号）来说， 因此，可以得到： 解此线性方程组，即可得到各预测系数。一般采用Levison-Durbin算法递推求解。在已知输入信号的情况下，必须先求各阶自相关系数。 2．G.729中的线性预测 ITU-T G.729语音编码标准采用CS-ACELP混合编码方法，输出码率为8kbps，每帧语音长度10ms，在8kHz采样条件下，具有80个样点。在线性预测时一般采用连续3帧进行加窗处理后进行，因此计算自相关系数的数组具有240个样点值。 下面是G.729参考代码中的相关程序部分，并附加说明。 void Autocorr( Word16 x[], /* (i) : Input signal */ Word16 m, /* (i) : LPC order */ Word16 r_h[], /* (o) : Autocorrelations (msb) */ Word16 r_l[] /* (o) : Autocorrelations (lsb) */ ) { Word16 i, j, norm; Word16 y[L_WINDOW]; Word32 sum; extern Flag Overflow; /* Windowing of signal */ for(i=0; iL_WINDOW; i++) { y[i] = mult_r(x[i], hamwindow[i]); } /* Compute r[0] and test for overflow */ do { Overflow = 0; sum = 1; /* Avoid case of all zeros */ for(i=0; iL_WINDOW; i++) sum = L_mac(sum, y[i], y[i]); /* If overflow divide y[] by 4 */ if(Overflow != 0) { for(i=0; iL_WINDOW; i++) { y[i] = shr(y[i], 2); } } }while (Overflow != 0); /* Normalization of r[0] */ norm = norm_l(sum); sum = L_shl(sum, norm); L_Extract(sum, r_h[0], r_l[0]); /* Put in DPF format (see oper_32b) */ /* r[1] to r[m] */ for (i = 1; i = m; i++) { sum = 0; for(j=0; jL_WINDOW-i; j++) sum = L_mac(sum, y[j], y[j+i]); sum = L_shl(sum, norm); L_Extract(sum, r_h[i], r_l[i]); } return; } /*___________________________________________________________________________ | | |