《基于MATLAB的语音频域特征分析》由会员分享，可在线阅读，更多相关《基于MATLAB的语音频域特征分析（9页珍藏版）》请在金锄头文库上搜索。
1、经典功率谱估计与现代功率谱估计的对比经典功率谱估计与现代功率谱估计的对比 摘要摘要 本文主要介绍了在 MATLAB 环境下，从介绍功率谱的估计原理入手分析了经典谱估计和现代谱估计两类估计方法的原理、各自特点以及实现方法。 关键词关键词 功率谱；功率谱估计；经典功率谱估计；现代功率谱估计；语谱图；共振峰信号的频谱分析是研究信号特性的重要手段之一，通常是求其功率谱来进行频谱分析。功率谱反映了随机信号各频率成份功率能量的分布情况，可以揭示信号中隐含的周期性及靠得很近的谱峰等有用信息，在许多领域都发挥了重要作用。然而，实际应用中的平稳随机信号通常是有限长的，只能根据有限长信号估计原信号的真实功率谱，这
2、就是功率谱估计。 功率谱估计功率谱估计clear a=wavread(鸟语花香.wav); subplot(2,1,1), plot(a);title(original signal);grid; N=256; h=hamming(N); for m=1:Nb(m)=a(m)*h(m); end y=20*log(abs(fft(b); subplot(2,1,2); plot(y);title(短时谱); xlabel(频率(Hz); ylabel(功率谱(db); grid;%相关法：相关法是利用维纳-辛钦定理该方法先由序列 x(n)估计出自相关函数 R（n） ，然后 对 R(n)进行傅立
3、叶变换，便得到 x(n)的功率谱估计。 xn,Fs,bits=wavread(鸟语花香.wav); n=0:1/Fs:1; nfft=512; cxn=xcorr(xn,unbiased); CXk=fft(cxn,nfft); Pxx=abs(CXk); index=0:round(nfft/2-1); k=index*Fs/nfft; a=log(10); b=log(Pxx(index+1); c=b/a; plot_Pxx=10*c; plot(k,plot_Pxx);xlabel(frequeney（hz）相关法); ylabel(power spectraldensity); ti
4、tle(recorrelation psd estimate);周期图法 周期图法是直接将信号的采样数据 x(n)进行 Fourier 变换求取功率谱密度估计的方法。假定有限长随机信号序列为 x(n)。它的 Fourier 变换和功率谱密度估计存在下面的关系：)(fSX2|)(|1)(fXNfSX式中，N 为随机信号序列 x(n)的长度。在离散的频率点,有：fKf1,.,1 ,0,|)(|1|)(|1)(22NknXFFTNkXNkSX其中，FFTx(n)为对序列 x(n)的 Fourier 变换，由于 FFTx(n)的周期为 N，求得的功率 谱估计以 N 为周期，因此这种方法称为周期图法。下
5、面用例子说明如何采用这种方法进行功率 谱估计。 N=512;Nfft=256; %数据长度和 FFT 所用的数据长度 xn,Fs,bits=wavread(鸟语花香.wav);%fs 是采样频率 n=0:N-1;t=n/Fs; %采用的时间序列 Pxx=10*log10(abs(fft(xn,Nfft).2)/N);%Fourier 振幅谱平方的平均值，并转换为 dB f=(0:length(Pxx)-1)*Fs/length(Pxx); %给出频率序列 plot(f,Pxx); %绘制功率谱曲线 xlabel(频率/Hz);ylabel(功率谱/dB); title(周期图 N=256);g
6、rid on;分段平均周期图法（Bartlett 法） 将信号序列 x(n)，n=0,1,N-1，分成互不重叠的 P 个小段，每小段由 m 个采样值，则 P*m=N。对每个小段信号序列进行功率谱估计，然后再取平均作为整个序列 x(n)的功率谱估计。平均周期图法还可以对信号 x(n)进行重叠分段，如按 2:1 重叠分段，即前一段信号和后一 段信号有一半是重叠的。对每一小段信号序列进行功率谱估计，然后再取平均值作为整个序列 x(n)的功率谱估计。 这两种方法都称为平均周期图法，一般后者比前者好。 %Samp9_6 %运用信号不重叠分段估计功率谱 xn,Fs,bits=wavread(鸟语花香.wa
7、v); N=1024;Nsec=256;n=0:N-1;t=n/Fs; %数据点数，分段间隔，时间序列 pxx1=abs(fft(xn(1:256),Nsec).2)/Nsec; %第一段功率谱 pxx2=abs(fft(xn(257:512),Nsec).2)/Nsec; %第二段功率谱 pxx3=abs(fft(xn(515:768),Nsec).2)/Nsec; %第三段功率谱 pxx4=abs(fft(xn(769:1024),Nsec).2)/Nsec; %第四段功率谱 Pxx=10*log10(pxx1+pxx2+pxx3+pxx4)/4); %平均得到整个序列功率谱 f=(0:l
8、ength(Pxx)-1)*Fs/length(Pxx); %给出功率谱对应的频率 subplot(2,1,1),plot(f(1:Nsec/2),Pxx(1:Nsec/2); %绘制功率谱曲线 xlabel(频率/Hz);ylabel(功率谱 /dB); title(平均周期图(无重叠) N=4*256 采用语音北风); grid on %运用信号重叠分段估计功率谱 pxx1=abs(fft(xn(1:256),Nsec).2)/Nsec; %第一段功率谱 pxx2=abs(fft(xn(129:384),Nsec).2)/Nsec; %第二段功率谱 pxx3=abs(fft(xn(257:
9、512),Nsec).2)/Nsec; %第三段功率谱 pxx4=abs(fft(xn(385:640),Nsec).2)/Nsec; %第四段功率谱 pxx5=abs(fft(xn(513:768),Nsec).2)/Nsec; %第五段功率谱 pxx6=abs(fft(xn(641:896),Nsec).2)/Nsec; %第六段功率谱 pxx7=abs(fft(xn(769:1024),Nsec).2)/Nsec; %第七段功率谱 Pxx=10*log10(pxx1+pxx2+pxx3+pxx4+pxx5+pxx6+pxx7)/7); %功率谱平均并转化为 dB f=(0:length(
10、Pxx)-1)*Fs/length(Pxx); %频率序列 subplot(2,1,2),plot(f(1:Nsec/2),Pxx(1:Nsec/2); %绘制功率谱曲线 xlabel(频率/Hz); ylabel(功率谱/dB); title(平均周期图(重叠一半) N=1024); grid on通过实验仿真可以直观地看出以下特性：(1)功率谱估计中的相关函数法和周期图法所得到的结果是一致的，其特点是离散性大，曲线粗糙，方差较大，但是分辨率较高。(2)平均周期图法收敛性较好，曲线平滑，估计的结果方差较小，但是功率谱主瓣较宽分辨率低。这是由于对随机序列的分段处理引起了长度有限所带来的 Gib
11、bs 现象而造成的。在经典谱估计进行功率谱估计时，由于将所有在窗口外的数据都视为 0，这便使得谱估计的质量下降。现代谱估计是利用待研究信号的先验知识，对信号在窗口外的数据作出某种较合理的假设，以达到提高谱估计质量的目的。现代功率谱估计主要是利用白噪声输入参数模型之后得到输出序列，当改变系统参数时得到的序列也不同，这样当改变参数使得输出与已知有限序列相同或者近似时就可以利用下面的公式求得其功率谱。 白噪声功率谱：Pe（）=2 输出序列谱估计：Py（）=|H（ej）|2Pe（）=2|H（ej）|2 可以说现代谱估计实际上是对模型参数的估计。现代谱估计的参数模型有自回归滑动平均（ARMA）模型、自回
12、归（AR）模型、滑动平均（MA）模型，Wold 分解定理阐明了三者之间的关系：任何有限方差的 ARMA 或 MA 模型的平稳随机过程可以用无限阶的 MA 模型表示。但是由于只有 AR 模型参数估计是一组线性方程，而实际的物理系统往往是全极点系统，因而 AR 应用最广。最大熵法（Maxmum entropy method， MEM 法） 周期图法功率谱估计需要对信号序列“截断”或加窗处理，其结果是使估计的功率谱密度 为信号序列真实谱和窗谱的卷积，导致误差的产生。最大熵功率谱估计的目的是最大限度地保 留截断后丢失的“窗口”以外信号的信息，使估计谱的熵最大。主要方法是以已知的自相关序 列 rxx(0
13、),rxx(1),rxx(p)为基础，外推自相关序列 rxx(p+1),rxx(p+2),，保证信息熵最大。 最大熵功率谱估计法假定随机过程是平稳高斯过程，可以证明，随机信号的最大熵谱与 AR 自回归（全极点滤波器）模型谱是等价的。 MATLAB 信号处理工具箱提供最大熵功率谱估计函数 pmem，其调用格式为： Pxx,f,a=pmem(x,p,Nfft,Fs,corr) 式中，x 为输入信号序列或输入相关矩阵；p 为全极点滤波器阶次；a 为全极点滤波器模型系数 向量；xcorr是把 x 认为是相关矩阵。 %最大熵法xn,Fs,bits=wavread(鸟语花香.wav); N=1024;Nf
14、ft=256;n=0:N-1;t=n/Fs; %数据长度、分段长度和时间序列 window=hanning(256); Pxx1,f=pmem(xn,14,Nfft,Fs); %采用最大熵法，采用滤波器阶数 14，估计功率谱 subplot(2,1,1),plot(f,10*log10(Pxx1); %绘制功率谱 xlabel(频率/Hz);ylabel(功率谱/dB); title(最大熵法(MTM) Order=14);grid on %采用 Welch 方法估计功率谱 noverlap=128; %重叠数据 dflag=none; subplot(2,1,2) psd(xn,Nfft,F
15、s,window,noverlap,dflag); %采用 Welch 方法估计功率谱 xlabel(频率/Hz);ylabel(功率谱/dB) title(Welch 方法估计的功率谱);grid on经典功率谱估计的分辨率反比于有效信号的长度，但现代谱估计的分辨率可以不受此限制。这是因为对于给定的N点有限长序列x(n)，虽然其估计出的自相关函数也是有限长的，但是现代谱估计的一些隐含着数据和自相关函数的外推，使其可能的长度超过给定的长度，不像经典谱估计那样受窗函数的影响。因而现代谱的分别率比较高，而且现代谱线要平滑得多，从上图可以清楚看出。小结：1.功率谱估计中的相关函数法和周期图法所得到的结果是一致的，其特点是离散性大，曲线粗糙，方差较大，但是分辨率较高。2.现代谱估计方法曲线明显比经典谱估计方法光滑，说明其处理结果的方差比经典谱估计方法处理的结果小，证明了现代谱估计方法利用参数模型对窗口外的数据的假设是比较合理有效的，能达到提高谱估计质量的目的，这也是现代谱估计优于经典谱估计的主要原因。除此之外，我们还可以采用多窗口法、多信号分类法、加窗平均周期图法、Welch法估计等 来功率谱估计。语谱图语谱图语谱图反映了语音信号的动态频率特性，在语音分析中具有重要的实用价值
