《现代语音信号处理》(胡航著)第1-6章简介
根據《現代語音信號處理》（胡航版）總大概列出前六章的內容，有些會有一些自己的理解和總結。
第一章 緒論
- 發展史和主要研究內容及發展。
第二章 語音信號處理的基礎知識：
語音信號處理的基礎知識
語音的產生過程
語音信號的特性：音質、音調、音強、音長
漢語的特點（21個聲母、39個韻母）
語音信號的統計特性
語音產生的線性模型
語音產生的非線性模型
FM-AM模型
Teager能量算子
能量分離算法
FM-AM模型應用
語音感知
聽覺系統（內耳、中耳、外耳；人可感知的頻率范圍：20-20KHZ，強度范圍：-5-130dB）
神經系統
語音感知（人類能夠感知語音的四要素：響度、音調、音色、聽覺掩蔽效應）
第三章 時域分析
簡介
語音信號非平穩、事變、離散性大，且其中蘊含著說話內容以及說話人特征等，處理難度大。
時域分析具有簡單、運算量小、物理意義明確等優點。
數字化和預處理
取樣率和量化字長選擇
預處理（數字化、放大及增益控制、反混疊濾波、預加重）
短時能量分析（En表示為語音信號一個短時間段內的能量，短時平均能量能反映語音能量隨時間變化的特性，用于區分清/濁音等）
短時過零分析（短時平均過零數能用于度量信號的頻率，粗略地描述了信號頻譜特性，可用于區別清/濁音 ；高頻率意味高平均過零數，低頻率意味著低平均過零數）
短時相關分析
分為互相關函數、自相關函數；主要是自相關，用于研究信號本省，如波形同步性和周期性
短時自相關函數
修正短時自相關函數（解決基音周期寬，是窗和預期的基音周期相適應）
短時平均復查函數（避免乘法，簡化運算，與自相關函數有類似的作用）
語音端點檢測（用于有/無聲或是濁/清/無聲判定）
雙門限前端檢測（存在較大時延）
多門限過零率前端檢測（解決方法1的缺陷）
基于FM-AM模型的端點檢測（利用算子輸出能量進行端點檢測，相比常規的基于短時能量的端點檢測方法有較好的效果）
基于高階累積量的語音端點檢測
噪聲環境下的端點檢測（目前提出的方法只適用于不同適用環境）
高階累積量和高階譜
基于高階累積量的端點檢測（廣泛應用于非高斯及非循環平穩信號中 ；核心：任何類型的高斯信號，其三階以上的高階累積量均為0 ）
第四章 短時傅里葉變換
短時傅里葉變換（短時傅里葉變換是窗選語音信號的傅里葉變換，Xn(ejw) ）
短時傅里葉變換的取樣率（針對避免混疊；三種取樣率：時間取樣率、頻域取樣率、綜合取樣率）
語音信號的短時綜合（用于由Xn(ejw)恢復x(n)的問題；兩種方法，濾波器組求和法與FFT求和法 存在對偶性）
- 濾波器組求和法（與頻率取樣有關；性能較好，因為其對噪聲敏感性較小）
- FFT求和法（與時間取樣有關）
語譜圖（顯示大量與語句特性相關的信息，綜合了頻譜圖與時域波形的優點，直觀顯示語音頻譜隨時間變化的情況，是一種動態的頻譜）
第五章 倒譜分析和同態濾波
同態信號處理（可實現將卷積關系變成求和關系的分離處理，以達到解卷的效果；用于非加性組合信號，其中有包括乘性和卷積性組合信號）
同態信號處理的基本原理，分三步
特征系統（將卷積信號轉化為加性信號；一分三步：Z變換，對數運算，逆Z變換）
線型系統
逆特征系統（將加性信號轉化為卷積信號；一分三步：Z變換，指數運算，逆Z變換 ）
復倒譜和倒譜
復倒譜（輸入信號進行特征系統后得到的時域信號，成為輸入信號的復倒譜，對應倒譜域）
倒譜（相對于復倒譜來說，取對數階段，只取幅度的對數，除去相位的信息；倒譜運算相對簡單，由于不含相位信息，不能恢復原始性）
語音信號兩個卷積分量復倒譜的性質
聲門激勵信號（較重要的性質：可用高復倒譜窗在復倒譜域中提取濁音激勵信號的特性）
聲道沖激響應序列（較重要的性質：可用低復倒譜窗在復倒譜域中提取聲道沖激響應）
避免相位卷繞的算法
相位卷繞：復倒譜取對數是進行的是復對數運算，此時存在相位多只問題，稱其為相位卷繞。
避免的方法（微分法(不適用，會產生頻譜混疊)，最小相位信號法，遞推法(x(0)不能過小)）
語音信號復倒譜分析實例
Mel頻率倒譜系數（MFCC；應用于語音識別和說話人識別 ）
Mel頻率濾波器組（基于人耳在1KHZ以下為頻率的線性尺度，1KHZ以上為對數尺度，是人二對低頻信號比高頻信號更敏感的特點）
MFCC（重要特點：對頻率軸不均勻的劃分；該參數常用于語音識別中，可進行端點檢測）
計算過程：
對信號分幀，預加重，hamming窗處理，STFT 得到頻譜
使信號的線性幅度譜通過L個通道的Mel濾波器組并對輸出累加
對濾波器輸出取對數，在進行DCT（離散余弦變換），得到MFCC
第六章 線性預測分析
LPC的基本思想：一個語音的取樣可用過去若干語音取樣的線性組合來逼近。通過使實際語音取樣與LPC取樣間差值的平方和，即進行LMS（最小均方誤差）逼近，可決定唯一的一組預測系數，而它們就是線性組合中的加權系數。
線性預測的基本原理（基于AR模型，用一個模型表示被分析信號）
線性預測方程的建立（因為信號模型的建立是有信號估計模型參數的過程，信號是客觀存在由一個有限數目參數的模型進行表示的，不可能完全準確，總會存在誤差，因而求解LPC系數是一個逼近的過程，采用逆濾波器法來逼近）
線性預測分析的解法（1）——經典解法
自相關法（這種解法在整個時間范圍內使誤差最小；加窗處理；高效求解、精度低、會引入誤差，能保證解的穩定性，適合硬件實現）
協方差法（這種解法可使信號N個樣本上的誤差最小；不加窗處理；精度高、不能保證解的穩定性 ，適用于平穩信號，存在對中間量比例運算的困難）
線性預測分析的解法（2）——格型法（解決自相關與協方差法的精度與穩定性存在矛盾的問題），求解方法：
正向格型法（逼近原則：正向均方差；不能保證解的穩定性）
反向格型法（逼近原則：正向均方差；不能保證解的穩定性 ）
幾何平均法（非逼近法；通過正向格型法Ki與反向格型法Ki 的幾何平均求解；能保證解的穩定性 ）
Burg法（非逼近法；通過正向和反向均方誤差紙盒的最小求解；能保證解的穩定性 ）
協方差格型法（非逼近法； 針對原格型法減小其運算量，改寫B\C\E的表達式改進格型法求解；保持格型法的靈活性、解的穩定性和精度，運算量與自相關法相近）
線性預測應用——LPC譜估計和LPC倒譜
譜估計
LPC復倒譜
LPC估計與其他譜分析方法的比較
線譜對（LSP）分析（頻域參數；既有良好的量化和插值特性；以AR模型為基礎）
極零點模型（為了獲取更精確的解且節省運算量；存在解法困難，難以保證收斂于最佳值，且難以確定模型階數）
第七章 語音信號的非線性分析
- 小波變換
總結
以上是生活随笔為你收集整理的《现代语音信号处理》(胡航著)第1-6章简介的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 信号分析中一些特征量
- 下一篇： DCASE2013挑战赛介绍