1、ft=y(:,1);sigLength=length(ft)%获取声音长度sound(y,Fs,bits); %播放声音%绘制波形图t=(0:sigLength-1)/Fs;figure(1);plot(t, ft), title(the entire speech waveform),grid;xlabel(Time(s) %横轴是时间,不是采样数ylabel(Amplitude%求每帧信号的绝对值%enframe分帧求出的各个帧放于矩阵的一行f1=enframe(ft,hamming(160),80)%对信号进行分帧加汉明窗,窗长度为160,重叠为80E=abs(mean(f1);%求均值
2、的绝对值,mean函数对矩阵的列求均值,所以求转置figure(2)plot(E)title(每帧信号的绝对值)帧数%绘制信号的方差VAR=var(f1%求方差的绝对值figure(3)plot(VAR)方差%绘制某一帧的波形图figure(4)f2=f1(55,:%提取第28帧plot(f2)第55帧信号波形采样点数)%并不是真正的时间%绘制一帧信号的自相关figure(5)Acorr=xcorr(f2);%求这一帧信号的自相关plot(Acorr);这一帧图像的自相关%绘制一帧信号的功率谱figure(6)spec=spectrum(f2)%求这一帧信号的功率谱plot(spec);这一帧
3、图像的功率谱三 实验结果与分析运行上述程序后,结果如下图所示:上图是语音信号的波形图,有wavread可知信号的采样频率为8000Hz,信号采样点数为30001,图中横坐标是时间,单位秒(s)。上图是每帧信号的绝对值,很明显,“山东大学”四个字对应的帧的绝对值较大。上图是每帧信号的方差,很明显,“山东大学”四字对应的帧的方差较大。上图是取自第55帧处的波形信号,横轴代表采样点。上图是第55帧的自相关上图是第55帧的功率谱。CHAPTER 5二 实验步骤和程序clc,clear,close allsigmaW=0.19; sigmaV=1.4; % w和v的方差w = sqrt(sigmaW)*
4、randn(100,1);v = sqrt(sigmaV)*randn(100,1);%假设对输入输出进行100次采样s = filter(1,1 0.8,w); %s的表达式x = filter(1,1,s)+v; % x的表达式%期望输出与实际输入的互相关rs0=1;rs1=0.8;rs2=0.8*0.8;%自相关rx0=2.5;rx1=0.8;rx2=0.8*0.8;rxd=rs0,rs1;%互相关Rx=rx0,rx1;rx1,rx0;%自相关矩阵%由正则方程Rc=d求解预测系数c=Rdc=Rxrxdy = filter(c,1,x);%绘制s和x的波形图figure,subplot(2
5、11),plot(s),hold on,plot(x,-raxis(0 100 -3 3)legend(s,xs和x的波形图subplot(212)plot(s),hold onplot(y,.-rys和y的波形图三 实验结果与分析上面的一幅图中的蓝色实线是我们感兴趣的信号s(n) (取100个点),红色的点划线是被噪声干扰的信号x(n);为了从x(n)中恢复s(n),设计一个二阶滤波器,得到y(n)就是对s(n)的估计,下面的一幅图中蓝色实线是我们感兴趣的信号s(n),红色的点划线是估计信号y(n),由图可以看出,y(n)能够估计s(n) 的趋势,适当增大滤波器的阶数,可是提高预测的准确度。
6、CHAPTER7本实验中,不妨采用前加窗的 FIR LSE 滤波器,程序如下sigmaW=0.36; sigmaV=1.5;s = filter(1,1 -0.8,w);% 用前加窗的LS准则估计系统R_hat_prew,d_hat_prew = lsmatvec(prew,x,80,s)cls_prew = inv(R_hat_prew)*d_hat_prewEx_prew = x*x;Els_prew = Ex_prew-d_hat_prew*cls_prew;N = 100; M=2;sigmaE_prew = Els_prew/(N-M)cov_prew = sigmaE_prew*i
7、nv(R_hat_prew)y = filter(cls_prew,1,x);%绘制s,x,s1的波形图figure,ghold onraxis(0 100 -5 5)前加窗(80阶)运行上述代码后结果如下图所示:为了从x(n)中恢复s(n),设计一个五阶滤波器,得到y(n)就是对s(n)的估计,下面的一幅图中蓝色实线是我们感兴趣的信号s(n),红色的点划线是估计信号y(n),由图可以看出,y(n)能够估计s(n) 的趋势,适当增大滤波器的阶数,可是提高预测的准确度。改变滤波器的阶数,相应的预测误差也会改变,如下图所示,显然阶数越高,预测越准确。10阶时:50阶时:80阶时:100阶时:CHA
8、PTER 8二实验步骤和程序clc,clear all;%读取语音信号x fs=wavread(x1=enframe(x,160);x2=x1(:,24);window=boxcar(length(x2);Pxx,f=periodogram(x2,window,1024,fs);a e=aryule(x2,40)%x3=randn(1,256);y=filter(1,a,x2);px,w=pyulear(y,40,1024,fs);plot(f,10*log10(Pxx);plot(w,10*log10(px),周期图法AR模型一帧信号的功率谱运行上述程序,结果如下图所示:上面的一幅图中由AR模型得到的功率谱,下面的一幅图是由周期图法得到的功率谱。由图可以看出,两种方法得到的功率谱,由图可以看出,由周期图法或AR模型得到的功率谱是一个有偏估计,功率谱波动的没有规律,甚至很难从观测中断定该信号有一个平坦的谱。波动的大小不N的增加而减少,其平均值趋向于真实谱。
copyright@ 2008-2022 冰豆网网站版权所有
经营许可证编号:鄂ICP备2022015515号-1