现代数字信号处理-基于LMS线性预测
LMS线性预测matlab算法及simulink
LMS线性预测matlab算法及simulink概述LMS线性预测算法和simulink的重要性和应用领域LMS（Least Mean Squares）算法是一种自适应滤波算法，用于线性预测问题。
其原理是通过迭代更新滤波器的权值来最小化预测误差的均方差。
LMS算法的步骤如下：初始化滤波器的权值为零或随机值。
提供待预测的输入信号和目标输出信号。
根据当前输入信号和滤波器的权值计算预测输出信号。
计算预测误差，即目标输出信号与预测输出信号之差。
根据预测误差和当前输入信号更新滤波器的权值。
权值的更新公式为：权值 = 权值 + 步长因子 * 预测误差 * 输入信号。
以下是一个基于matlab实现LMS算法的示例：定义输入信号和目标输出信号input_signal =[1.2.3.4.5];target_output = [2.4.6.8.10];定义输入信号和目标输出信号input_signal = [1.2.3.4.5];target_output = [2.4.6.8.10];定义输入信号和目标输出信号input_signal = [1.2.3.4.5];target_output = [2.4.6.8.10];初始化滤波器的权值filter_weights =zeros(1.length(input_signal));初始化滤波器的权值filter_weights = zeros(1.length(input_signal));初始化滤波器的权值filter_weights = zeros(1.length(input_signal));初始化滤波器的权值filter_weights = zeros(1.length(input_signal));初始化滤波器的权值filter_weights = zeros(1.length(input_signal));初始化滤波器的权值filter_weights = zeros(1.length(input_signal));设置步长因子step_size = 0.01;设置步长因子step_size = 0.01;设置步长因子step_size = 0.01;设置步长因子step_size = 0.01;迭代更新滤波器的权值for i = 1:length(input_signal)。
《现代信号处理》教学大纲
《现代信号处理》教学大纲适用专业：信息与通信工程、物联课程性质：学位课网工程、电子与通信学时数：32 学分数： 2课程号：M081001 开课学期：秋季第(1)学期大纲执笔人：何继爱大纲审核人：陈海燕一、课程的地位和教学目标现代信号处理作为信息类专业研究生的一门专业基础课，是在传统数字信号处理基础上，基于概率统计的思想，用数理统计、优化估计、线性代数和矩阵计算等工具，研究有限数据量的随机信号的分析与处理，且系统可能是时变、非线性的，它是近代才发展起来的前沿学科。
主要讨论基于信号模型分析和滤波的基本理论和基本方法；以现代谱估计和自适应滤波为核心内容，并介绍现代信号处理的新技术。
该课程为众多信号处理的应用领域打下基础，包括通信、声学、图像、雷达、声纳、生物医学等领域的信号处理。
本课程的知识目标是使学生牢固掌握现代信号处理一些最基本的理论、方法和应用，并能跟踪和学习新的理论、方法和技术；内容涉及随机信号统计分析、现代谱估计、自适应滤波器、时频分析与二次型时频分布、信号多速率变换、盲信分离和阵列信号处理方法等；建立现代信号处理的知识体系，对课程内容总体把握；具有一定的实验和模拟仿真的基本知识。
了解现代信号处理重要新技术的发展趋势，为从事信息与通信工程及相关电子系统的工程设计打下坚实的基础。
本课程的能力目标是通过课程的学习提高学生的分析计算方法、演绎推理方法和归纳法等基本数学处理方法；运用数学、物理及工程概念及方法发现问题、分析问题和解决问题的能力，以及理论与实际相结合的能力；能够触类旁通，提高学生的科学学习方法；掌握通信学科的信号分析与处理基本理论和技能，思路开阔，具有运用所学知识的能力、搜集和提炼信息的能力、团队合作能力、表达能力和创新能力等。
本课程的专业素质目标通过本课程的课堂学习、单元知识及章节总结、习题及专题研讨培养学生培养良好严谨的科学研究态度和正确的思维方法，使学生敢于提出问题、善于分析问题和解决问题的能力及具有团队合作精神。
毕业设计(论文)-lms及rls自适应干扰抵消算法的比较[管理资料]
![毕业设计(论文)-lms及rls自适应干扰抵消算法的比较[管理资料]](https://img.taocdn.com/s3/m/e45ae55891c69ec3d5bbfd0a79563c1ec4dad715.png)
前言自适应信号处理的理论和技术经过40 多年的发展和完善,已逐渐成为人们常用的语音去噪技术。
我们知道, 在目前的移动通信领域中, 克服多径干扰, 提高通信质量是一个非常重要的问题, 特别是当信道特性不固定时, 这个问题就尤为突出, 而自适应滤波器的出现, 则完美的解决了这个问题。
另外语音识别技术很难从实验室走向真正应用很大程度上受制于应用环境下的噪声。
自适应滤波的原理就是利用前一时刻己获得的滤波参数等结果, 自动地调节现时刻的滤波参数, 从而达到最优化滤波。
自适应滤波具有很强的自学习、自跟踪能力, 适用于平稳和非平稳随机信号的检测和估计。
自适应滤波一般包括3个模块：滤波结构、性能判据和自适应算法。
其中, 自适应滤波算法一直是人们的研究热点, 包括线性自适应算法和非线性自适应算法, 非线性自适应算法具有更强的信号处理能力, 但计算比较复杂, 实际应用最多的仍然是线性自适应滤波算法。
线性自适应滤波算法的种类很多, 有RLS自适应滤波算法、LMS自适应滤波算法、变换域自适应滤波算法、仿射投影算法、共扼梯度算法等[1]。
其中最小均方(Least Mean Square,LMS)算法和递归最小二乘(Recursive Least Square,RLS)算法就是两种典型的自适应滤波算法, 它们都具有很高的工程应有价值。
本文正是想通过这一与我们生活相关的问题, 对简单的噪声进行消除, 更加深刻地了解这两种算法。
我们主要分析了下LMS算法和RLS算法的基本原理, 以及用程序实现了用两种算法自适应消除信号中的噪声。
通过对这两种典型自适应滤波算法的性能特点进行分析及仿真实现, 给出了这两种算法性能的综合评价。
1 绪论自适应噪声抵消( Adaptive Noise Cancelling, ANC) 技术是自适应信号处理的一个应用分支, 年提出, 经过三十多年的丰富和扩充, 现在已经应用到了很多领域, 比如车载免提通话设备, 房间或无线通讯中的回声抵消( AdaptiveEcho Cancelling, AEC) , 在母体上检测胎儿心音, 机载电子干扰机收发隔离等, 都是用自适应干扰抵消的办法消除混入接收信号中的其他声音信号。
Kalman滤波__LMS算法__RLS算法_清华大学《现代信号处理》讲义
线性状态模型、高斯噪声 v1 (n), v 2 (n)
Kalman 滤波问题 (一步预报 ： 一步预报)： 一步预报
无噪声的估计值: 已知含噪数据 y (1),L , y (n) ，求 y (i ) 无噪声的估计值
ˆ ⑴ i = n (滤波 )：已知 y (1),L , y ( n )，求 y ( n ) ˆ ⑵ i < n (平滑 )：已知 y (1),L , y ( n )，求 y (i )， i < n ˆ ⑶ i > n (预测)：已知 y (1), L , y ( n )，求 y (i )， i > n ˆ 一步预测：已知 y (1),L , y ( n )，求 y ( n＋1) ˆ 数学符号： y 1 ( n + 1) = y ( n + 1 | y (1),L , y ( n ) )
要求不同时间的输入信号向量 u ( n ) 线性 独立 [因为瞬时梯度向量为 e* ( n )u ( n )]。
LMS 算法的均值收敛 µ ( n )的选择 LMS 算法的均方收敛
E {e( n )} = 0
均值收敛： 均值收敛：
E {w ( n )} = w opt = R −1r
均方收敛： 均方收敛： E w ( n ) − w opt
k (1, 0) = E { x 2 ( n )} = E { x 2 (1)} = P0
依次可以递推出 g (1), k (2,1); g (2), k (3, 2);L
4.4 LMS自适应算法 LMS自适应算法
LMS: Least Mean Squares
随机优化问题 Wiener 滤波器 滤波器: 最陡下降法
新息方法： 新息方法： 新息 (innovation)
现代数字信号处理实验报告
现代数字信号处理实验报告1、估计随机信号的样本自相关序列。
先以白噪声()x n 为例。
(a) 产生零均值单位方差高斯白噪声的1000个样点。
(b) 用公式：9991ˆ()()()1000x n r k x n x n k ==-∑估计()x n 的前100个自相关序列值。
与真实的自相关序列()()x r k k δ=相比较，讨论你的估计的精确性。
(c) 将样本数据分成10段，每段100个样点，将所有子段的样本自相关的平均值作为()x n 自相关的估值，即：999001ˆ()(100)(100) , 0,1,...,991000x m n r k x n m x n k m k ===+-+=∑∑与(b)的结果相比，该估计值有什么变化？它更接近真实自相关序列()()x r k k δ=吗？(d) 再将1000点的白噪声()x n 通过滤波器11()10.9H z z-=-产生1000点的y (n )，试重复(b)的工作，估计y (n )的前100个自相关序列值，并与真实的自相关序列()y r k 相比较，讨论你的估计的精确性。
仿真结果：(a)图1.1 零均值单位方差高斯白噪声的1000个样本点分析图1.1：这1000个样本点是均值近似为0，方差为1的高斯白噪声。
(b)图1.2 ()x n的前100个自相关序列值分析上图可知：当k=0时取得峰值，且峰值大小比较接近于1，而当k≠0时估计的自相关值在0附近有小幅度的波动，这与真实自相关序列r(k)=δ(k)x比较接近，k≠0时估计值非常接近0，说明了估计的结果是比较精确的。
(c)图1.3基于Bartlett 法的前100个自相关序列值与(b)的结果相比，同样在k=0时达到峰值，k ≠0时0值附近上下波动；估计值的方差比较小，随着k 的增大波动幅度逐渐变小，在k 较大时它更接近真实自相关序列()()x r k k δ=。
即采用分段方法得到的自相关序列的估计值更加接近r x (k)=δ(k)。
LMS算法的简单研究
包括： （a）计算线性滤波器输出对输入信号的响应； （b）通过比较输出结果与期望响应产生估计误差。 2）自适应过程 根据估计误差自动调整滤波器参数。 下面简单简绍下 LMS 算法的基本步骤： 1、设置变量和参量： x(n)为输入向量，或称为训练样本 w(n)为权值向量 b(n)为偏差 d(n)为期望输出 y(n)为实际输出 u 为步长因子 n 为迭代次数 2、初始化，赋给 w(0)一个较小的随机非零值，令 n=0 ； 3、对于一组输入样本 x(n)和对应的期望输出 d，计算 e(n)=d(n)-x(n)w(n) w(n+1)=w(n)+ux(n)e(n) 4、判断是否满足条件，若满足算法结束，若否 n 增加 1，转入第 3 步继续执行。 由上边的权值系数更新过程可以看出，上 LMS 算法具有算法简单、每步迭代 计算量小、所需存储量小等特点，但是 LMS 算法的收敛速度一般较慢。另外 LMS 算法还有一些改进算法如归一化 LMS (NLMS)算法等。
随机性，因而实验中需进行多次 LMS 算法迭代，最后取平均。这里取实验次 数 M 为 80。 本实验将分四个步骤完成。 首先， 实验开始先定义参变量 M、 N 和 w=zeros(M,N,3,2)与 f=zeros(M,N,3,2)， 括号里的 3 和 2 分别用来控制 3 种步长因子和 a 的两个不同参数。 然后，对不同的参数 a、不同的步长因子 u 和不同的试验次数 M 分别进行 N 次迭代来获得每个点的权值系数。 其次， 对于不同的参数 a 和步长因子分别计算它们的 M 次集平均权值特性和 均方误差特性。 最后， 分别绘出该一阶自适应预测器的权值和均方误差瞬时特性图与不同步 长因子下的学习曲线图。 本次实验的程序如下所示：
一、实验题目
For this computer experiment involving the LMS algorithm, use a first-order, autoregressive (AR) process to study the effects of ensemble averaging on the transient characteristics of the LMS algorithm for real data. Consider an AR process of order one, described by the difference equation
LMSmatlab
自适应信号处理前言在这几十年里，数字信号处理技术取得了飞速发展，特别是字适应信号处理技术以其计算简单、收敛速度快等许多优点而广泛被使用。
它通过起内部参数的最优化来自动改变其特性。
自适应滤波算法在统计信号处理的许多应用中都是非常重要的。
本论文主要对自适应滤波这一重要的课题展开研究和讨论，在算法原理、算法性能分析和通过计算机仿真来说明其各自算法的优越性，在每一个算法中的通过收敛性、学习曲线和失调分析这三个方面来论述。
这里主要对LMS算法及一些改进的LMS算法（NLMS算法、变步长LMS算法、变换域LMS算法）之间的不同点进行了比较，在传统的LMS算法的基础上发展了LMS算法的应用。
另一方面又从RLS算法的分析中对其与LMS算法的不同特性进行了比较。
这篇论文主要围绕算法的优缺点、收敛性等方面进行了横向和纵向比较得出一些有益的结论。
在自适应信号处理技术的基础上对其算法的简单在某些方面的应用作了说明。
对当前自适应信号处理中比较前沿的盲自适应信号处理做了原理上的介绍和分析。
由于知识水平有限对卡尔曼滤波、自适应神经网络、QR分解等没有作为研究对象。
在以后的工作中，在这些方面还需展开学习和研究。
目录前言 (1)目录 (2)一绪论 (4)1本论文的研究内容 (4)2自适应滤波器的基本原理 (4)3自适应滤波理论与算法 (5)二最小均方（LMS）自适应算法 (8)1 LMS算法的基本原理............... (8)2 最小均方（LMS）自适应算法性能分析 (10)3 仿真结果分析 (12)三归一化LMS算法 (14)1归一化LMS算法原理与性能分析 (14)2仿真结果分析 (16)四可变步长LMS自适应滤波算法 (18)1可变步长LMS算法原理 (18)2算法性能分析 (18)五变换域LMS自适应算法 (21)1基本原理 (21)2与普通LMS自适应滤波器之间的关系 (22)3变换域LMS算法的收敛性能 (22)六最小二乘自适应滤波器 (24)1递推最小二乘(RLS)算法 (24)2仿真结果分析 (26)3 RLS算法与LMS算法的比较 (27)七格型自适应滤波器 (35)八递归型(IIR型)自适应滤波器 (39)九盲自适应均衡 (41)1 Godard盲自适应均衡算法 (41)2过采样与独立分量分析得盲均衡算法 (43)十应用 (45)1自适应均衡器 (45)2 自适应陷波器 (46)3 自适应滤波器 (46)总结与感谢 (48)参考文献 (49)附录：matlab程序代码 (50)附录：翻译 (57)附录：翻译原文 (67)一．绪论1本论文的研究内容自适应滤波是近30年以来发展起来的一种最佳滤波方法。
《现代数字信号处理》各章习题-电子文本
y (n) = x(n) + f (n) ，其中 f (n) 是已知的确定性序列。试求 y (n) 的均值 my (n) 和自相
关 ry ( k , l ) 。 2.3 设离散时间随机过程 x(n) 是如下产生： x( n) =
2
k =1
∑ a(k ) x(n − k ) + w(n) ，其中 w(n) 是
1 −1 1 z ) /(1 − z −1 ) ，它受零均 2 3 值的指数相关噪声 x(n)的激励产生随机过程 y ( n) = x( n) ∗ h( n) 。已知 x(n)的自相关序列 1 k 为 rx (k ) = ( ) ，试求： 2 (a) y (n) 的功率谱 Py ( z ) ； (b) y (n) 的自相关序列 ry (k ) ；
N N ), n = 0,1,..., − 1 ，其中 N 是偶数。 2 2 (a) 证明 x(n) 的 N 点 DFT 仅有奇次谐波，即：k 为偶数时， X (k ) = 0 。 (b) 证明如何由一个经过适当调整的序列的 N/2 点 DFT 求得 x(n) 的 N 点 DFT。
1.18 一个特定的计算机辅助滤波器设计的结果是如下的二阶因果滤波器： 1 + 2 z −1 + z −2 H ( z) = 1 − 2 z −1 + 1.33 z −2 试证明这个滤波器是不稳定的，并求一个和 H ( z ) 有相同幅频响应的因果稳定滤波器。 1.19 一个离散时间线性移不变系统的系统函数是 H ( z ) ，假设 H ( z ) 是 z 的有理函数，且 H ( z ) 是因果稳定的。试判断下面哪个系统是因果的，哪个是稳定的： (a) G ( z ) = H ( z ) H ∗ ( z ∗ ) 。 (c) G ( z ) = H ( z −1 ) 。 (b) G ( z ) = H ' ( z ) ，这里 H ' ( z ) = (d) G ( z ) = H (− z )
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
现代信号处理基于LMS 算法的线性预测估计小组组长：刘鑫(150408520845)小组成员：刘芳(150408520846)万娇(150408520849)郑熔(150408520848)郭俊(150408520852)任课教师：聂文滨教师所在学院：信息工程学院时间：2015年11月17日摘要现代电子技术发展日新月异，随着数字时代的到来，各种各样的产品层出不穷，在追求高性能的同时，高效的算法越来越得到人们的青睐。
本文对LMS算法及其改进算法进行了研究，主要有LMS算法的线性预测，解相关LMS算法（包括时域解相关算法和变换域解相关算法），自适应LMS算法，并利用matlab 对这几种算法进行了软件仿真，通过仿真结果图把各种LMS算法的性能直观的展现出来。
其中，线性预测是根据已有采样点按照线性函数计算未来某一离散信号的数学方法，线性预测可分为前向性预测和后向性预测。
在线性预测中维纳滤波应用很广泛，包括线性预测器原理，线性预测与AR模型的关系以及线性预测器的AR模型功率谱估计。
在系统分析中，线性预测可以看作是数学建模或者最优化的一部分。
另外，采用不同LMS算法时的结果对影响LMS算法是不同的。
根据参数模型功率谱估计的思想，使用LMS算法，最小均方误差准则得到线性预测系数或LPC系数，从而进行线性预测分析。
关键词：LMS算法；线性预测；matlab软件仿真AbstractDevelopment of modern electronic technology with each passing day, a variety of products emerge in endlessly with the arrival of digital age, in the pursuit of high performance at the same time, the efficient algorithm is more and more get the favour of people.This paper studies the Least Mean Square (LMS) algorithm and its improved algorithm , mainly include the linear prediction of LMS algorithm, the decorrelation LMS algorithm (including the temporal decorrelation algorithm and transform domain decorrelation algorithm), adaptive LMS algorithm, and using matlab software to simulat several algorithms, through the simulation results show the performance of LMS algorithm with all kinds of intuitive.The linear prediction is a mathematical method to calculate a future discrete signal according to the sampling points by the linear function ,linear prediction can be divided into forward prediction and backward prediction.Wiener filtering is widely used in the linear prediction ,including the principle of linear predictor, the relationship between linear prediction and auto-regressive(AR) model and AR model power spectrum estimation of the linear predictor.In system analysis,linear prediction can be seen as part of the mathematical modeling and optimization. In addition, the different results when the LMS algorithm is adopted to affect the LMS algorithm is different. According to the ideas of the parameter model of power spectrum estimation, using the LMS algorithm and the minimum mean square error criterion to obtain the linear prediction coefficients or linear predictive coding(LPC) coefficients, thus a linear predictive analysis is made.Key words: LMS algorithm; Linear prediction; Matlab software simulation第一章绪论1.1论文研究的背景及意义现代电子技术己经由模拟向数字过渡，传统的模拟信号处理正被数字信号处理所代替。
随着数字时代的到来，各种各样的产品层出不穷，在追求高性能的同时，高效的算法越来越得到人们的青睐。
数字滤波是数字信号处理一部分，它除了具有数字信号处理的稳定、重复性好和适应性强等优点外，还具有可预见性和无相位偏差的优点，可用仿真软件来对一个设计预先测试。
实现数字滤波的方法很多，其中，最小均方算法(LMS)应用最广泛，这是因为LMS算法具有低计算复杂度、平稳环境下的收敛性、均值无偏地收敛到维纳解以及利用有限精度实现算法时的稳定性等特性。
由于LMS算法的广泛应用，以及在实际条件下，为解决实际问题，基于LMS算法的新LMS类算法不断出现。
而线性预测估计常用于对语音信号进行分析预测，这一过程是在短时平稳这一现实的假定基础上进行的，即一段语音信号是各态历经的平稳随机过程。
线性预测分析是一种估计精度较高、运算速度较快的语音参数估计方法。
大量的实践证明：线性预测编码（LPC）参数是反映语音信号特征的良好参数。
线性预测分析被普遍应用到语音处理的各个方面。
在线性预测中维纳滤波应用很广泛，包括线性预测器原理，线性预测与AR模型的关系以及线性预测器的AR模型功率谱估计。
线性预测是进行语音信号分析最有效和最流行的分析技术之一，已经在很多语音处理领域中得到了应用,如语音编码、语音合成和语音识别等。
因此，对基于LMS算法的线性预测估计的研究具有很重要的意义。
1.2 LMS算法的发展1.2.1 LMS算法的历史发展及现状1955-1966年期间美国通用公司在研制天线的过程中，为抑制旁瓣，由windows和hoff在60年代初提出了基本LMS算法。
随后又发展出了归一化算法和加遗忘因子LMS算法。
1977年，makjoul提出了格型滤波器，并由此发展出LMS自适应格型滤波器算法。
Herzberg、cohen和be’ery提出了延时LMS（DLMS）算法。
2002年，尚勇，吴顺君，项海格提出了并行延时LMS算法。
此外，还有复数LMS算法、数据块LMS算法等。
LMS算法一直在不断的改进创新，因为LMS算法具有低计算复杂度、在平稳环境中的收敛性好、其均值无偏地收敛到wiener解和利用有限精度实现算法时的稳定性等特性，使LMS算法成为自适应算法中应用最广泛的算法。
由于LMS算法的广泛应用，以及在实际条件下，为解决实际问题，基于LMS算法的新LMS类算法不断出现。
1.2.2 LMS算法的发展前景因LMS算法是自适应滤波器中应用最广泛的算法，所以可以说，自适应滤波的发展前景也就是LMS算法的发展前景。
它主要包括以下几个方面的应用：1、系统辨识和建模(System Identification and Modeling)。
自适应滤波器作为估计未知系统特性的模型。
2、自适应信道均衡(Adaptive Channel Equlization)。
在数字通信中采用自适应信道均衡器，可以减小传输失真，以及尽可能地利用信道带宽。
3、回波消除(Echo Cancellation)。
回波消除就是预先估计一个回波，然后用返回信号来减此回波，从而达到回波消除的目的。
4、线性预测编码（Linear Predictive Coding）。
近年来，对语音波形进行编码，它可以大大降低数据传输率。
在接收端使用LPC分析得到的参数，通过话音合成器重构话音。
时变线性滤波器既当作预测器使用，又当作合成器使用。
5、自适应波束形成（Adaptive Beaamforming）。
自适应束波形成通过调节天线各阵元的加权幅度和相位，来改变阵列的方向图，使阵列天线的主瓣对准期望用户，从而提高接收信噪比，满足某一准则下的最佳接收。
其应用还有噪声中信号的滤波、跟踪、谱线增强以及预测等。
1.3 线性预测的发展1.3.1线性预测的历史发展及现状1795年高斯就提出了线性最小均方估值(或预测)，而直到1949年,在维纳的著作第二章“单一时间序列的线性预测”中才首次用了“线性预测”这个术语。
此后,线性预测数学方法开始被人用在许多领域中。
1967年板仓等人最早研究把线性预测技术直接应用到语音分析和合成中。
线性预测是一种很重要得技术,几乎普遍地应用于语音信号处理的各方面。
线性预测在语音编码方面的应用是最深入也是最全面的,过去的二三十年间,研究者们逐渐推出了多种基于参数编码和波形编码相结合的混合编码方式,借助于现代语音生产模型,可以得到中低码率的语音编码器,尤其是最近流行的低延迟码激励线性预测编码器(LD-CELP)。
线性预测在语音合成方面的研究是在上个世纪六十年代后期发展起来的,它是语音信号合成的一个重要组成部分,它的发展和语音的编码技术是分不开的,基本上每一种新的线性预测编码技术都能够用于语音合成。
线性预测是进行语音信号分析最有效和最流行的分析技术之一。
线性预测是根据已有采样点按照线性函数计算未来某一离散信号的数学方法。
通过使线性预测到的采样在最小均方误差意义上逼近实际语音采样，可以求取一组唯一的预测系数。