1倒谱实验程序

合集下载

1HNMR实验操作步骤

1HNMR实验操作步骤

1HNMR实验操作步骤1H NMR 实验操作步骤1.测试前的准备1.1 样品的配制①使用干净和干燥的样品管以免污染样品②取少量样品放入管中③加入0.5mL 氘代溶剂,摇动,使样品溶解④使用量高器来确定样品的放置高度,待测2.谱仪的调整1.1 仪器的启动①打开谱仪谱仪24h不间断运行,一般情况下不需要开启谱仪②打开空气压缩机和空气净化器1.2 样品放入磁体①打开匀场界面,点击lift on-off,磁体上有气流声,将装有样品管的转子放入探头上方,点击lift on-off核磁管平稳进入探头1.4 核的选择①在操作窗口打命令edsp (回车)②在F1下面选择1H③在F2下面选择off④点击SA VE1.3 建立新的实验数据目录名①命令edc (回车)②设置新实验的名称(NAME)、实验号(EXPNO)、处理号(PROCNO)③点击SA VE1.5 探头调谐①打命令wobb (回车)②在采样窗口观察,打命令A (回车)③调tuning和matching④点击stop⑤点击return1.6 锁场①打命令Lock (回车)②点击所用氘代溶剂1.7 匀场调节Z,Z2,Z3,X,Y 3.参数的选择1.1 采样参数选择①打命令ased (回车)②点击SA VE1.2 处理参数选择①SI=32K,LB=0 4.1H谱的测量1.1 采样①打命令zg (回车)②在采样窗口看FID信号,打A (回车)1.2 付立叶变换①打命令FT (回车)1.3 调相位①点击phase ②点击biggest ③点击pH0和pH1来调整相位④return ⑤save & retcen1.4 校正零点①点击calibrate1.5 积分,①点击integrate1.6 定最大、最小值,点击utilities1.7 打标题①打命令setti (回车)②打入标题③点击File中的save④点击File中的Exit1.8 定打印图的谱宽点击dp11.9 观看打印图打命令V (回车)1.10 打印图打命令plot (回车)13C NMR实验操作步骤步骤1和2中除1.4核的选择,1.5探头调谐和1H谱不一样,其它步骤同1H谱。

数字信号处理 实验六 离散傅立叶变换及其快速算法

数字信号处理  实验六  离散傅立叶变换及其快速算法

实验六 离散傅立叶变换及其快速算法一、 实验目的:掌握快速傅立叶变换的应用方法;掌握离散余弦变换的应用方法;掌握Z 变换的应用方法;了解Chip z 变换的基本概念;掌握Hilbeit 变换的初步应用;了解倒谱变换的基本概念。

二、 实验仪器:电脑一台,MA TLAB6.5或更高级版本软件一套。

三、 实验内容:(一) 快速傅立叶变换(FFT )在信号处理中,DFT 的计算具有举足轻重的地位,,信号的相关、滤波、谱估计等都要通过DFT 来实现。

然而,当N 很大的时候,求一个N 点的DFT 要完成N N ⨯次复数乘法和)1(-N N 次复数加法,其计算量相当大。

1965年J.W .Cooley 和J.W .Tukey 巧妙地利用N W 因子的周期性和对称性,构造了一个DFT 快速算法,即快速傅立叶变换(FFT)。

概念通过前面的知识,已经知道有限列长为N 的序列)(n x 的DFT 变换为nknN n W n x k X ∑-==1)()( 12,1,0-=N k其逆变换为∑-=-=1)(1)(N k nkNW k X Nn x 1,1,0-=N n由于MA TLAB 软件本身的特点,序列或向量元素下标从1开始记录,而不是从0开始。

因此,上述两式在MA TLAB 中相应的表达式为nknN n W n x k X ∑-==1)()( 12,1,0-=N k∑-==11)(1)(N k nkNW k X Nn x 1,2,1-=N n而下面所讨论使用的快速傅立叶变换)(FFT 并不是与DFT 不同的另外一种变换,而是为减少DFT 计算次数的一种快速有效的算法。

这种快速算法,主要是利用了nkN W 下面两个特性使长序列的DFT 分解为更小点数的DFT 所实现的。

(1) 利用nkNW 的对称性使DFT 运算中有些项合并*--==)()(knNknNn N k NW W W(2) 利用nkNW 的周期性和对称性使长序列的DFT 分解为更小点数的DFT)()()(nN k NN n k NnkNW W W ++==快速傅立叶变换)(FFT 算法正是基于这一基本思想而发展起来的。

端点检测——精选推荐

端点检测——精选推荐

端点检测语⾳信号处理实验⼀:端点检测姓名:XXX 学号:XXXX 班级:XX⼀、实验⽬的:理解语⾳信号时域特征和倒谱特征求解⽅法及其应⽤。

⼆、实验原理与步骤:任务⼀:语⾳端点检测。

语⾳端点检测就是指从包含语⾳的⼀段信号中确定出语⾳的起始点和结束点。

正确的端点检测对于语⾳识别和语⾳编码系统都有重要的意义。

采⽤双门限⽐较法的两级判决法,具体如下第⼀级判决:1. 先根据语⾳短时能量的轮廓选取⼀个较⾼的门限T1,进⾏⼀次粗判:语⾳起⽌点位于该门限与短时能量包络交点所对应的时间间隔之外(即AB段之外)。

2. 根据背景噪声的平均能量(⽤平均幅度做做看)确定⼀个较低的门限T2,并从A点往左、从B点往右搜索,分别找到短时能量包络与门限T2相交的两个点C和D,于是CD段就是⽤双门限⽅法根据短时能量所判定的语⾳段。

第⼆级判决:以短时平均过零率为标准,从C点往左和从D点往右搜索,找到短时平均过零率低于某个门限T3的两点E和F,这便是语⾳段的起⽌点。

门限T3是由背景噪声的平均过零率所确定的。

注意:门限T2,T3都是由背景噪声特性确定的,因此,在进⾏起⽌点判决前,T1,T2,T3,三个门限值的确定还应当通过多次实验。

任务⼆:利⽤倒谱⽅法求出⾃⼰的基⾳周期。

三、实验仪器:Cooledit、Matlab软件四、实验代码:取端点流程图⼀:clc,clear[x,fs,nbits]=wavread('fighting.wav'); %x为0~N-1即1~Nx = x / max(abs(x)); %幅度归⼀化到[-1,1]%参数设置FrameLen = 240; %帧长,每帧的采样点inc = 80; %帧移对应的点数T1 = 10; %短时能量阈值,语⾳段T2 = 5; %短时能量阈值,过渡段T3 = 1; %过零率阈值,起⽌点minsilence = 6; %⽆声的长度来判断语⾳是否结束silence = 0; %⽤于⽆声的长度计数minlen = 15; %判断是语⾳的最⼩长度state = 0; %记录语⾳段状态0 = 静⾳,1 = 语⾳段,2 = 结束段count = 0; %语⾳序列的长度%计算短时能量shot_engery = sum((abs(enframe(x, FrameLen,inc))).^2, 2);%计算过零率tmp1 = enframe(x(1:end-1), FrameLen,inc);%tmp1为⼆维数组=帧数*每帧的采样点FrameLen tmp2 = enframe(x(2:end) , FrameLen,inc);%signs = (tmp1.*tmp2)<0;%signs为⼀维数组,符合的置1,否则置0zcr = sum(signs,2);%开始端点检测,找出A,B点for n=1:length(zcr)if state == 0 % 0 = 静⾳,1 = 可能开始if shot_engery(n) > T1 % 确信进⼊语⾳段x1 = max(n-count-1,1); % 记录语⾳段的起始点state = 2; silence = 0;count = count + 1;elseif shot_engery(n) > T2|| zcr(n) > T3 %只要满⾜⼀个条件,可能处于过渡段status = 1;count = count + 1;x2 = max(n-count-1,1);else % 静⾳状态state = 0; count = 0;endendif state = =2 % 1 = 语⾳段if shot_engery(n) > T2 % 保持在语⾳段count = count + 1;elseif zcr(n) > T3 %保持在语⾳段x3 = max(n-count-1,1);else % 语⾳将结束silence = silence+1;if silence < minsilence %静⾳还不够长,尚未结束count = count + 1;elseif count < minlen % 语⾳段长度太短,认为是噪声state = 0;silence = 0;count = 0;else % 语⾳结束state = 3;endendendif state = =3 % 2 = 结束段break;endendx1,x2,x3 %A、C、E坐标x11 = x1 + count -1 %B坐标x22 = x2 + count -1 %D坐标x33 = x3 + count -1 %F坐标%画图subplot(3,1,1)plot(x)axis([1 length(x) -1 1])%标定横纵坐标title('原始语⾳信号','fontsize',17);xlabel('样点数'); ylabel('Speech');line([x3*inc x3*inc], [-1 1], 'Color', 'red'); %画竖线line([x33*inc x33*inc], [-1 1], 'Color', 'red');subplot(3,1,2)plot(shot_engery);axis([1 length(shot_engery) 0 max(shot_engery)])title('短时能量','fontsize',17);xlabel('帧数'); ylabel('Energy');line([x1 x1], [min(shot_engery),T1], 'Color', 'red'); %画竖线line([x11 x11], [min(shot_engery),T1], 'Color', 'red'); % line([x2 x2], [min(shot_engery),T2], 'Color', 'red'); %line([x22 x22], [min(shot_engery),T2], 'Color', 'red'); %line([1 length(zcr)], [T1,T1], 'Color', 'red', 'linestyle', ':'); %画横线line([1 length(zcr)], [T2,T2], 'Color', 'red', 'linestyle', ':'); % text(x1,-5,'A'); %标写A、B、C、Dtext(x11-5,-5,'B');text(x2-10,-5,'C');text(x22-5,-5,'D');subplot(3,1,3)plot(zcr);axis([1 length(zcr) 0 max(zcr)])title('过零率','fontsize',17);xlabel('帧数'); ylabel('ZCR');line([x3 x3], [min(zcr),max(zcr)], 'Color', 'red'); %画竖线line([x33 x33], [min(zcr),max(zcr)], 'Color', 'red'); %line([1 length(zcr)], [T3,T3], 'Color', 'red', 'linestyle', ':'); %画横线text(x3-10,-3,'E起点'); %标写E、Ftext(x33-40,-3,'F终点');运⾏结果与分析:x1 = 650,x11 = 734,x2 = 646,x22 = 752,x3 = 643,x33 = 763得出的值x3<x2 <x1="" <x11<="" x22<="" x33="" ,基本符合要求<="" p="" bdsfid="194">。

倒谱计算与分析

倒谱计算与分析

《视频语音处理技术》倒谱计算与分析学院名称:计算机与信息工程学院专业名称:计算机科学与技术年级班级:姓名:学号:计算机与信息技术学院综合性、设计性实验报告一、 实验目的:对语音信号进行同态分析可得到语音信号的倒谱参数。

语音的倒谱是将语音的短时谱取对数后再进行IDFT 得到的,所以浊音信号的激励反映在倒谱上是同样周期的冲激,借此,可从倒谱波形中估计出基音周期。

对倒谱进行低时窗选,通过语音倒谱分析的最后一级,进行DFT 后的输出即为平滑后的对数模函数,这个平滑的对数谱显示了特定输入语音段的谐振结构,即谱的峰值基本上对应于共振峰频率,对于平滑过的对数谱中的峰值进行定位,即可估计共振峰。

对于倒谱计算与分析的设计实验可作如下训练: 1、复倒谱的几种计算方法: 2、最小相位信号法和递归法; 3、基音检测; 4、共振峰检测。

二、实验仪器或设备:windowsXP 下的Matlab 编程环境 三、总体设计(设计原理、设计方案及流程等)1.复倒谱的几种计算方法:在复倒谱分析中,z 变换后得到的是复数,所以取对数时要进行复对数运算。

这时存在相位的多值性问题,称为“相位卷绕”。

设信号为则其傅里叶变换为对上式取复对数为 则其幅度和相位分别为:)()()(21n x n x n x *=)()()(21ωωωj j j e X e X e X ⋅=)(ln )(ln )(ln 21ωωωj j j e X e X e X +=)(ln )(ln )(ln 21ωωωj j j e X e X e X +=)()()(21ωϕωϕωϕ+=)()()(21ωϕωϕωϕ+=上式中,虽然 , 的范围均在 内,但 的值可能超过范围。

计算机处理时总相位值只能用其主值 表示,然后把这个相位主值“展开”,得到连续相位。

所以存在下面的情况:(K 为整数) 此时即产生了相位卷绕。

下面介绍几种避免相位卷绕求复倒谱的方法。

最小相位信号法这是解决相位卷绕的一种较好的方法。

实验一 语音信号的采集及预处理(变换矩形窗函数为boxcar)(2)

实验一  语音信号的采集及预处理(变换矩形窗函数为boxcar)(2)

语音信号的采集及预处理1.语音信号的录音、读入、放音等[x,fs,nbit]=wavread('D:\2.wav'); %fs=10000,nbit=16y=soundview('D:\2.wav')2.语音信号的分帧程序:[x,fs,nbit]=wavread('D:\2.wav');len=256;inc=128;y=enframe(x,len,inc);figure;subplot(2,1,1),plot(x)subplot(2,1,2),plot(y)3.语音信号加窗:程序:N=256;w = window('rectangle',N);w1 = window('hamming',N);w2 = window('hanning',N);wvtool(w,w1,w2)4.预加重程序:[x,fs,nbit]=wavread('D:\2.wav');len=256;inc=128;y=enframe(x,len,inc);z=filter([1-0.9375],1,y)figure(2)subplot(2,1,1),plot(y)subplot(2,1,2),plot(z)语音信号的时域分析1.语音信号的录音、读入、放音等:利用函数wavread对语音信号进行采样,记住采样频率和采样点数,给出以下语音的波形图(2.wav)。

[Y,FS,NBITS]= wavread('D:\2.wav')X= wavread('D:\2.wav')plot(X)2.短时能量分析:(1)首先对语音信号预加重;(2)对预加重后的语音信号进行分帧,帧长取N=256各样值点,帧移取128个样值点;(3)求短时能量。

org=wavread('D:\2.wav')wgt=filter([1 -0.9375],1,org)w1=enframe(wgt,256,128)amp=sum(abs(w1),2)plot(amp)3.短时过零率分析:求语音信号的短时过零率。

语音信号处理过程

语音信号处理过程

《现代语音处理技术及应用期中考试》姓名:李红启班级:A1011学号:36一、实验原理1、汉明窗加窗给输入语音信号加窗x(m)=s(m)w(n-m)2、倒谱和复倒谱的实现倒谱主要应用在语音信号同态处理中,同态处理方法是一种设法将非线性问题转化为线性问题来进行处理方法,它能将两个信号通过乘法合成的信号,或通过卷积合成的信号分开。

卷积同态系统的典范表示如图1 所示,它由三部分组成:第一部分为卷积同态系统的特征系统D*[ ],其输入是若干信号的卷积组合,而输出为若干信号的加法组合。

利用z 变换表示,卷积组合可变为乘法组合,再利用对数特性,可将乘法组合变为加法组合,再进行z 逆变换,输出信号仍为加法组合,这就构成了卷积同态系统的特征系统D*[ ],如图1 所示。

图 1 卷积同态系统的特征系统这给出一种卷积同态系统构成方法。

如果把输入序列局限于为绝对可加的情形,则输入信号的 z 变换具有包括单位圆在内的一个收敛域。

也就是说,可以求得这个序列的傅里叶变换。

在此情况下,图1中用傅里叶变换运算代替z 变换运算是恰当的。

卷积同态系统可表示为图 2。

图 2 复倒谱的计算由于复倒谱出现了多值性和arg[X(ejw )]的不连续性导致我们在分析时会出现很多问题,这里不一一讨论。

于是我们提出了倒谱的概念。

倒谱 c(n)由下式给出:这里我们对 x(n)的 X(ejw )作了取模运算,这样算出的 c(n)是实数谱并且很好的解决了复倒谱出现的问题。

为得到倒频谱的近似式, 可对输入序列进行离散傅里叶变换,取其模的对数,再计算离散傅里叶反变换。

图 3 倒谱的计算图 2 是求复倒谱的原理图,图 3 是求倒谱的原理图。

本软件设计中就是根据图 3 的原理来计算一段语音信号的倒谱的。

由于经过了同态处理后将声道冲击响应和激励信号变为加信号,并且,声道冲击响应处于低时部分,而激励信号处于高时部分,可以通过倒谱滤波器将声道冲击响应和激励信号分开二、实验程序:1、录音程序x=wavrecord(16000,8000,1) wavwrite(x,'a.wav') plot(x)00.51 1.52 2.5x 104-0.4-0.3-0.2-0.100.10.20.30.42、浊音的程序y=y(:,1); % 单声道处理y1=y(6000:5400); % 取浊音y2=y1.*hamming(length(y1)); % 加汉明窗sigLength=length(y2); % 求y2的长度Y=zeros(Fs,1);Y=20*log10(abs(fft(y2,sigLength))); % 求浊音的频谱y=y'; %转置成向量,便于处理a=fft(y1); %对y1做DFT变换d=log(a); %取对数c=ifft(d); %做IDFT变换c=c(1:60);a1=fft(y1); %对y1做DFT变换b1=abs(a1); %取模远算d1=log(b1);%取对数c1=ifft(d1); %做IDFT变换c2=c1(1:26);k=c1(1:26);k1=fft(k);k2=exp(k1);h=c1(27:200);h1=fft(h);h2=exp(h1);h3=ifft(h2);sigLength=length(y2);Y1=20*log10(abs(fft(k3,sigLength)));sigLength=length(y2);Y2=20*log10(abs(fft(h3,sigLength))); figure(1);subplot(4,2,1);plot((1:length(y1))/8,y2); % 以时间为横轴title('加汉明窗的信号幅度');xlabel('t/ms');ylabel('x(n)');subplot(4,2,2);plot(Y); % 一点对应1HZtitle('对数幅度谱');xlabel('Frequence(Hz)');ylabel('20lg|Xn(ejw)|');subplot(4,2,3);plot(c);title('浊音段复倒谱');xlabel('t/ms');ylabel('c(n)');subplot(4,2,4);plot(c2);title('浊音段倒谱');xlabel('t/ms');ylabel('c(n)');subplot(4,2,5);plot((1:length(k3))/8,k3);title('所得的冲激响应');xlabel('t/ms');ylabel('c(n)');subplot(4,2,6);plot((1:length(h3))/8,h3);title('所得的激励信号');xlabel('t/ms');ylabel('h(n)');subplot(4,2,7);plot(Y1);title('平滑的对数幅度谱');xlabel('Frequence(Hz)');plot(Y2);title('倒谱高时间部分的对数幅度谱'); xlabel('Frequence(Hz)');%清音的程序y=y(:,1);y3=y(2000:2400);y4=y3.*hamming(length(y3));sigLength=length(y3);Y=20*log10(abs(fft(y,sigLength)));a=fft(y);b=abs(a);d=log(b);c=ifft(d);c=c(1:60);h=c(1:60);h1=fft(h);h2=exp(h1);h3=ifft(h2);sigLength=length(y3);Y=20*log10(abs(fft(h3,sigLength))); figure(2);subplot(2,2,1);plot((1:length(y3))/8,y4);title('加汉明窗的信号幅度');xlabel('t/ms');ylabel('x(n)');subplot(2,2,2);plot(Y);title('对数幅度谱');xlabel('Frequence(Hz)');ylabel('20lg|Xn(ejw)|');subplot(2,2,3);plot(c);title('清音段倒谱');xlabel('t/ms');ylabel('c(n)'); subplot(2,2,4);plot(Y);title('平滑的对数幅度谱');xlabel('Frequence(Hz)');四、分析总结在采样频率为fs=8KHz,使用汉明窗加权,窗长为300点。

一阶导数光谱法测定氢溴酸加兰他敏贴剂的含量



·4 法 [ 比较, 本研究制订方法操作简便,
H e r a l do f M e d i c i n eV o l 2 6N o 4A p r i l 2 0 0 7
’ sd i s e a s e :m u l t i c e n t r e i np a t i e n t sw i t hm i l dt om o d e r a t eA l z h e i m e r [ J ] .B M J , 2 0 0 0 , 3 2 1 : 1 4 4 5- 1 4 4 9 . r a n d o m i s e dc o n t r o l l e dt r a i l [ 2 ] 钱南萍.氢溴酸加兰他敏分散片溶出度的测定方法[ J ] .中国药 师, 2 0 0 5 , 8( 2 ) : 1 2 5- 1 2 7 . [ 3 ] 严 瑾, 王 明 新, 陈 云 雷, 等.氢 溴 酸 加 兰 他 敏 胶 囊 溶 出 度 的 H P L C测定[ J ] .中国医药工业杂志, 1 9 9 9 , 3 0 ( 1 2 ) : 5 5 3- 5 5 4 . [ 4 ] 李 翼, 戚 燕, 吴 松.R P H P L C法测定氢澳酸加兰他敏口服 液含量及有关物质[ J ] .药物分析杂志, 2 0 0 3 , 2 3 ( 5 ) : 3 6 5- 3 6 7 .
医药导报 2 0 0 7年 4月第 2 6卷第 4期
·4 2 9 ·
一阶导数光谱法测定氢溴酸加兰他敏贴剂的含量
邓伟杰1, 张春凤2, 罗佳波1
( 1 . 南方医科大学中医药学院, 广州 5 1 0 5 1 5 ; 2 . 中国药科大学中药学院,南京 2 1 0 0 3 8 )
[ 摘 要] 目的 建立氢溴酸加兰他敏贴剂含量测定方法。方法 采用一阶导数光谱法, 以波长 2 8 6n m处波峰和

核磁共振法(1H谱)法对采油助排剂中甲醇的分析与测试

核磁共振法(1H谱)法对采油助排剂中甲醇的分析与测试摘要:助排剂是采油压裂、酸化作业中必不可少的添加剂,它能降低表面张力、提高作业液的反排速度和反排率。

通过核磁共振方法对其成分进行了分析和测试。

关键词:甲醇表面活性剂核磁共振一、前言油田采油作业中,压裂、酸化是油气井增产的主要手段。

水基压裂液是油田使用的主要压裂液,具有安全、价廉、摩阻低等优点;但可能会发生乳化、引起粘土膨胀和产生附加毛细管压力,对地层造成伤害,影响压裂效果。

酸液也与此类似[1]。

为了使压裂液在完成压裂作业后尽可能全部返排出地面,以免对地层造成伤害,常常要在水基压裂液中加入某些表面活性剂以帮助压裂后压裂液的残液或残渣全部排出地层,起这种作用的表面活性剂通常称为助排剂。

助排剂的作用原理是表面活性剂在地层中可以降低岩石表面和水之间的界面张力并改变岩石表面的润湿性能,使岩石对水的润湿表面改变为非润湿表面从而降低地层毛细管压力,这样就有利于水基压裂液残液的排出[2]。

我们通过核磁共振对样品进行定性、定量分析[3,4],从而计算出样品中甲醇的含量。

二、实验部分1.仪器与试剂仪器:V ARIAN INOV A 400MHZ 超导核磁共振波谱仪(1H共振频率400MHZ,19F共振频率376MHZ);试剂:CD3COCD3,D2O,CD3CN,1H测量以TMS为内标,低场为正。

2.结果与讨论2.1定性样品处理:将试样进行蒸馏,收集78℃~80℃的馏分。

对所收集的馏分进行氢谱测试。

重水作溶剂,TMS定标。

78℃~80℃馏出液和向78℃~80℃馏出液中加入甲醇(分析纯)后测的1H核磁共振谱分别见图 1 、图2。

图1 78℃-80℃馏出液的1H核磁共振谱图2 加入甲醇后的1H核磁共振谱图1中δ4.81是H2O峰,δ3.28处的单峰可能为甲醇峰。

图2中可以看到δ3.28处的峰明显增高,且在别的位置没有另外出峰。

由此可以判断δ3.28处的单峰为甲醇的-OCH3峰。

倒谱法检测信号异常的灵敏度分析

第26卷第4期2011年8月(页码:1298~1303)地 球 物 理 学 进 展PROGRESS IN GEOPHYSICSVol.26,No.4Aug.,2011田仁飞,曹俊兴.倒谱法检测信号异常的灵敏度分析.地球物理学进展,2011,26(4):1298~1303,DOI:10.3969/j.issn.1004 2903.2011.04.021.TianRF,CaoJX.Thesensitivityanalysisofsignalabnormalitydetectionbasedoncepstrum.犘狉狅犵狉犲狊狊犻狀犌犲狅狆犺狔狊.(inChinese),2011,26(4):1298~1303,DOI:10.3969/j.issn.1004 2903.2011.04.021.倒谱法检测信号异常的灵敏度分析田仁飞1, 曹俊兴2(1.成都理工大学地球物理学院,成都610059; 2.成都理工大学“油气藏地质及开发工程”国家重点实验室,成都610059)摘 要 信号异常检测的主要目的是寻找对信号反应灵敏的特征参数.本文从倒谱法的算法、性质等阐释了倒谱系数对信号异常具有较好的灵敏度,并通过实际计算,验证了倒谱系数对信号的振幅、时间延迟和相位参数微小变化的灵敏度反应较好.对所设计的指数衰减正弦波信号,倒谱法能够较容易地检测出振幅、时间延迟和相位参数相对变化为百分之一的信号,而时间延迟和相位参数相对变化仅为千分之一也能较容易地检测出来.并利用该方法对某气田的含气性检测进行实验性处理,取得了较好的效果,表明倒谱法检测由油气引起的地震信号异常也是可行性.关键词 倒谱法,信号异常,灵敏度,指数衰减正弦波,油气检测DOI:10.3969/j.issn.1004 2903.2011.04.021 中图分类号 P631 文献标识码 A 犜犺犲狊犲狀狊犻狋犻狏犻狋狔犪狀犪犾狔狊犻狊狅犳狊犻犵狀犪犾犪犫狀狅狉犿犪犾犻狋狔犱犲狋犲犮狋犻狅狀犫犪狊犲犱狅狀犮犲狆狊狋狉狌犿TIANRen fei1, CAOJun xing2(1.犆狅犾犾犲犵犲犗犳犌犲狅狆犺狔狊犻犮狊,犆犺犲狀犵犱狌犝狀犻狏犲狉狊犻狋狔狅犳犜犲犮犺狀狅犾狅犵狔,犆犺犲狀犵犱狌610059,犆犺犻狀犪; 2.犛狋犪狋犲犓犲狔犔犪犫狅狉犪狋狅狉狔狅犳犗犻犾犪狀犱犌犪狊犚犲狊犲狉狏狅犻狉犌犲狅犾狅犵狔犪狀犱犈狓狆犾狅犻狋犪狋犻狅狀,犆犺犲狀犵犱狌犝狀犻狏犲狉狊犻狋狔狅犳犜犲犮犺狀狅犾狅犵狔,犆犺犲狀犵犱狌610059,犆犺犻狀犪)犃犫狊狋狉犪犮狋 Themainpurposeofsignalabnormalitydetectionistofindthesensitivityofthesignalcharacteristics.Infact,usingseismicsignalstodetectHydrocarbonissimilartothesignaldetection.Itfindsthatoilorgas,whichonlyaccountsforasmallpartinreservoirscausedbyseismicsignalanomalies.Inthispaper,weintroducemethodofcepstrumandexplainthemethodofcepstrumandthepropertyofcepstrum,andalsoexpoundcepstralcoefficientisgoodforthesensitivityofthesignalabnormalitydetection.Throughpracticalcalculation,itverifiesthatthecepstralcoefficientisgoodsensitivetoberesponsetothesignalamplitude,timedelayandphaseparameters,whichchangedalittle.Forthedesignoftheexponentialdecayofthesinewavesignal,themethodofcepstrumcaneasilydetecttherelativelychangeonepercentofthesignalamplitude,timedelayandphaseparameters,thetimedelayandphaseparametersoftherelativelychangeisonlyoneinathousandalsocanbeeasilydetected.Finally,weusethemethodofcepstrumtoexperimentalprocessingforoilandgasdetectionforagasfieldT3X2inSichuan,andhaveachievedgoodresults.Thisindicatesthatthemethodofcepstrumdetectedseismicsignals,whichcausedbytheoilandgasanomaliesisalsofeasible.犓犲狔狑狅狉犱狊 themethodofcepstrum,signalabnormality,sensitivity,exponentialsinewave,hydrocarbondetection收稿日期 2010 09 09; 修回日期 2011 01 20.基金项目 国家自然科学基金委员会与中国石油化工股份有限公司联合基金资助项目(40739907)和成都理工大学校青年基金项目(2009QJ26)联合资助.作者简介 田仁飞,男,土家族,1983年生,贵州沿河人,博士研究生,主要从事地球物理信号处理、油气储层预测等方面的教学和研究工作.(E mail:tianrenfei08@cdut.cn) 4期田仁飞,等:倒谱法检测信号异常的灵敏度分析0 引 言信号异常检测在声纹识别、机械故障检测、不同地震波类型的识别、薄层识别等[1,2]方面得到广泛地应用,其检测的主要方法就是寻找与正常信号差异较大、容错性较好的参数.在石油地震勘探中,利用地震信号进行油气检测,其在本质上也类似于信号异常检测,即找出储集层中占很小部分的油气所引起的地震信号异常.近年来,利用地震信号进行油气检测已经发展了一系列方法,如高阶统计量[3]、多波多分量[4-5]、AVO技术[6]、粗集理论[7]、反演技术[5,8,9]、时频分析[10,11]、吸收衰减[12]、数据挖掘技术[13]、局部指数拟合异常[14]等,这些方法在油气检测方面取得了一系列成功的实例.但这些方法也有其局限性,其成功应用必须满足一定的前提条件,因此,由必要发展基于地震信号的油气检测的新技术.在20世纪60年代,当初是为了识别地震和核爆炸的信号而首次提出来了倒谱分析法[1],简称倒谱法.该方法的主要优点[1,15]就是能够将褶积模型的信号在倒谱域变为加信号,有利于区分信号异常特征.本文从倒谱法的算法、性质展开论述,并通过数值模拟实验计算了信号的振幅、时间延迟和相位三参数的微小变化的倒谱系数的变化特征,分析了这三个参数对信号异常反应的灵敏度.最后,利用该方法对某气田的油气检测做了实验性处理.1 倒谱分析基本理论倒谱分析方法最初是为了识别地震和核爆炸的信号而提出来的.随后,该方法在语音识别、轴承故障检测、不同地震波类型的识别等方面中得到了广泛地应用.1.1 复倒谱的定义复倒频谱,简称为复倒谱,有时也称作对数复倒谱.其英文原文为ComplexCepstrum.Cepstrum是由Spectrum这个词的前四个字母倒置而构成的.复倒谱的定义是将信号看成为时间序列,对时间序列信号做犣变换,将变换的值取对数并取绝对值,再做逆犣变换,即狓(狀)=犣-1[ln狘犣(狓(狀))狘],(1)由上式可知,一个时间序列的复倒谱仍然是一个时间序列,而且可以进一步推出,实数时间序列的复倒谱仍然是一个实数时间序列.1.2 倒谱分析的计算[15,16]通常时间序列信号倒谱分析的计算方法有直接计算法,复对数求导法和递推计算法.常用的方法是按复倒谱定义的公式直接计算,其得到的结果蕴含振幅、相位、频率等信息.本文主要研究直接计算法.如果将时间序列信号狓(狀)的Z变换记为: 犡(狕)=∑+∞狀=-∞狓(狀)狕-狀=犃狕犕∏犖1犽=1(1-犪犽狕-1)∏犖2犽=1(1-犫犽狕)∏犖3犽=1(1-犮犽狕-1)∏犖4犽=1(1-犱犽狕),(2)其中犃为常数,犖1、犖2分别为单位圆内、单位团外的零点数目,犖3、犖4分别为单位圆内、单位圆外的极点数目,犪犽、犫犽、犮犽、犱犽模均小于1.对(2)式求对数,得:犡(狕)=ln犃+ln(狕犕)+∑犖1犻=1ln[(1-犪犻狕-1)]+∑犖2犻=1ln[(1-犫犻狕)]-∑犖3犻=1ln[(1-犮犻狕-1)]-∑犖4犻=1ln[(1-犱犻狕)],(3)在(3)式中,犃>0,对数运算ln犃才有意义,常取ln犃.于是,第一项ln|犃|的反犣变换为ln犃狀=00狀≠{0第二项ln犣犕的反犣变换为0狀=0(-1)狀犕狀狀≠0烅烄烆.它对复倒谱的贡献很有规律,且与狓(狀)无关.因此在讨论狓(狀)的复倒谱时可以忽略这一项的影响;后面四项的对数可以先展开成犣-1或者犣的幂级数,再求反犣变换,因此可以得到:珚狓(狀)=ln狘犃狘,狀=0-∑犖1犽=1犪狀犽狀+∑犖3犽=1犮狀犽狀,狀>0∑犖2犽=1犫-狀犽狀-∑犖4犽=1犱-狀犽狀,狀<烅烄烆0(4)结合式(4),陈玉东(2006)归纳了复倒谱具有8条性质[15],利用复倒谱的这些性质,可以较好地帮助我们选择计算方法,以及更好地理解倒谱系数的物理意义,有助于倒谱系数变化特征的分析.2 实验结果与分析为了探讨倒谱法对信号异常检测的灵敏性,文9921地 球 物 理 学 进 展26卷 中设计了指数衰减正弦波作为倒谱分析的输入信号,进行了实验计算.2.1 指数衰减正弦波指数衰减正弦波公式如下:amp=Ae-狋sin(2π犳(狋-τ)+φ),(5)式中的amp为信号振幅,犃为信号的初始最大振幅,犳为频率,狋为时间,τ为时间延迟,φ为相位.采用倒谱法,主要研究信号的振幅、时间延迟、相位三参数的微小变化对信号异常检测灵敏性问题的反应情况.2.2 计算实例及分析实验主要是设计狋=0.5s时,信号的振幅、时间延迟、相位三参数的微小变化形成的实序列信号作为倒谱法的输入信号,并对该信号做倒谱分析,利用倒谱分析的结果,以期研究各参数变化的灵敏性,下面分别讨论.2.2.1 振幅变化按公式(5),令犳=45Hz,犃=2,τ和φ为零.当狋=0.5s时,其它参数不变,犃在初始振幅2的基础之上减少50%,10%,5%,1%和0.1%后,利用倒谱分析研究振幅犃变化后,其倒谱系数的变化规律,从而研究倒谱法对信号振幅微弱变化的灵敏性.从图1中,很难检测出振幅变化的异常位置.即使在狋=0.5s处,振幅变化达到了50%也无法辨识出来.从图2中非常容易的检测到振幅发生异常的位置.图2中原始振幅系数图(a),虽然能够较好的反应出振幅异常的位置,但存在很多毛刺.通过对原始倒谱系数圆滑处理后得到倒谱系数图(b),较好的消除了毛刺现象,使倒谱系数异常幅值更为清晰.因此,后续研究中仅给出经过圆滑处理后的倒谱系数图.由图3可以看出犃减少不同百分比之后的倒谱系数图变化规律,即使犃减少0.5%后,仍然可以清楚地辨识出振幅异常的位置;直到犃减少0.1%后,才难以辨识出信号振幅异常的位置.这说明倒谱系数对信号的振幅变化很灵敏.同时,从图3中,可知:犃减少百分比越小,振幅异常处的倒谱系数异常值就越小.2.2.2 时间延迟参数变化按公式(5),令犳=45Hz,犃=2,τ=2ms和φ=0.当狋=0.5s时,其它参数不变,τ在初始时间延迟2ms的基础之上减少50%,10%,5%,1%和0.1%图1 狋=0.5s时,振幅减少50%的指数衰减正弦波Fig.1 狋=0.5s,Adecrease50%theexponentialdecayofthesinewave图2 狋=0.5s时:犃减少50%倒谱系数图.(a)原始倒谱系数图,(b)圆滑后倒谱系数图.Fig.2 狋=0.5s,Adecrease50%cepstralcoefficients(a)Originalcepstralcoefficientmap,(b)Aftersmoothcepstralcoefficientmap.0031 4期田仁飞,等:倒谱法检测信号异常的灵敏度分析图3 狋=0.5s时:犃减少不同百分比的倒谱系数图(a)10%,(b)1%,(c)0.5%,(d)0.1%.Fig.3 狋=0.5s,犃decreasedifferentpercentofcepstralcoefficients图4 狋=0.5s时:τ减少不同百分比的倒谱系数图(a)50%,(b)10%,(c)1%,(d)0.1%.Fig.4 狋=0.5s,τdecreasedifferentpercentofcepstralcoefficients后,利用倒谱分析研究时间延迟τ变化后,其倒谱系数的变化规律,从而研究倒谱法对信号时间延迟微弱变化的灵敏性.从图4中,可知:τ减少百分比越小,时间延迟异常处的倒谱系数异常值越小.而且时间延迟参数相对变化为0.1%时,仍能够较好的辨识出信号异常的位置,说明倒谱法能够较好的检测出时间参数变化而引起的信号异常.2.2.3 相位变化按公式(5),令犳=45Hz,犃=2,τ=0和φ=π/6.当狋=0.5s时,其它参数不变,φ在初始相位π/6的基础之上减少50%,10%,5%,1%和0.1%后,利用倒谱分析研究相位φ变化后,其倒谱系数的变化规律,从而研究倒谱法对信号相位微弱变化的灵敏性.从图5中,可知:φ减少百分比越小,时间延迟异常处的倒谱系数异常值越小.而且相位参数相对变化为0.1%时,仍能够较好的辨识出信号异常的位置,说明倒谱法仍然能够较好的检测出相位变化而引起的信号异常.1031地 球 物 理 学 进 展26卷图5 狋=0.5s时:φ减少不同百分比的倒谱系数图(a)50%,(b)10%,(c)1%,(d)0.1%.Fig.5 狋=0.5s,φdecreasedifferentpercentofcepstralcoefficients3 应用实例以上数值实验表明信号的振幅、时间延迟、相位三个参数之一的微小变化,即可在倒谱参数上反映出来,而实际地震记录中包含有振幅、相位、频率等信息,因此,利用倒谱分析可综合反映地层中含气引起的地震记录的异常变化.文中应用实例是利用倒谱分析检测川中某气田须二段的地震记录的异常变化.图6 川中某气田须二段倒谱系数异常图Fig.6 cepstralcoefficientsanomalyofagasfieldT3X2inSichuan图6中,黑色线表示T3X2顶界面.井A1为一口实测产气井,主要产气层是须二段,所在位置的CDP号为8048.从图6中,可知:倒谱系数幅值变化较小,在7.7~7.9之间,而井A所在位置对应的须二段存在高值异常,说明倒谱分析能够较好的检测出地层含气而引起的地震信号异常的变化.4 结论与建议本文较为详细地研究了倒谱法的算法、性质等,从理论上阐释了倒谱系数对信号的灵敏性.通过设计简单的指数衰减正弦波,研究了指数衰减正弦波中的振幅、时间延迟和相位参数的变化对检测信号异常的灵敏度,从计算的实际效果表明倒谱法对信号异常具有较好的灵敏度,并将其用于实际气田中的含气性检测,得到以下初步认识:(1)信号的振幅、时间延迟和相位的微小变化在时间域的信号中反应微弱,直接利用原始信号进行信号异常检测很困难;(2)采用倒谱法,提取的倒谱系数,能够较为容易的检测出信号异常的位置.通过指数衰减正弦波的实际计算表明:倒谱系数对信号的振幅、时间延迟和相位参数的变化很灵敏,即使各参数发生相对的变化为1%也能够较好的辨识出信号异常的位置,而时间延迟和相位参数的相对变化仅为0.1%时,仍能够清楚地检测出信号异常的位置;(3)信号的振幅、时间延迟和相位参数对信号异常反应的灵敏度,与各参数相对变化率有关:变化越大,倒谱系数异常幅值越大,即对异常反应越灵敏;(4)由文中计算实例表明:振幅异常比时间延迟、相位参数对信号异常的灵敏度相对较差.(5)倒谱系数异常变化的区域与实际产气层的2031 4期田仁飞,等:倒谱法检测信号异常的灵敏度分析位置相对应,验证了倒谱法检测由油气引起的地震信号异常是可行性.当然,引起地震信号异常的因素较为复杂,具体研究还要进一步深入.参 考 文 献(References):[1] ChildersDG,SkinnerDP,KemeraitRC.TheCepstrum:AGuidetoProcessing[A].In:ProcessingsoftheIEEE[C].1977,65(10):1428~1442.[2] HallM.Predictingbedthicknesswithcepstraldecomposition[J].TheLeadingEdge,2006,25(2):199~204.[3] 熊晓军,尹成,张白林,等.高阶统计量油气检测方法研究[J].地球物理学报,2004,47(5):920~927.XiongXJ,YinC,ZhangBL,犲狋犪犾.Methodresearchofforecastingoilandgasusinghigher orderstatistics[J].ChineseJ.Geophys.(inChinese),2004,47(5):920~927.[4] 王建民,杨冬,魏修成,等.多分量地震资料预测松辽盆地兴城地区深层火山岩与有利含气带[J].地球物理学报,2007,50(6):1914~1923.WangJM,YangD,WeiXC,犲狋犪犾.PredictingdeepvolcanicrocksandfavorablegaszonenearXingchengareainSongliaoBasinusingmulti—componentseismicdata[J].ChineseJ.Ceophys.(inChinese),2007,50(6):1914~1923.[5] 陈树民,王建民,王桂水,等.PP PS协同反演技术预测大庆深层火山岩含气储层[J].地球物理学报,2011,54(2):280~285.ChenSM,WangJM,WangGS,犲狋犪犾.JointPP PSinversiontechniquesandtheirapplicationforpredictinggasreservoirofdeepvolcanicinDaqing[J].ChineseJ.Geophys.(inchinese),2011,54(2):280~285.[6] 杨文采,于常青.深层油气地球物理勘探基础研究[J].地球物理学进展,2007,22(4):1238~1242.YangWC,YuCQ.Onbasicresearchproblemsinappliedgeophysicsfordeepoilandgasfields[J].ProgressinGeophys.(inChinese),2007,22(4):1238~1242.[7] 古发明,尹成,丁峰,等.粗集理论在地震储层预测中的应用[J].地球物理学进展,2009,24(1):231~237.GuFM,YinC,DingF,犲狋犪犾.Applicationoftheroughsettheorytoseismicreservoirpredication[J].ProgressinGeophys.(inChinese),2009,24(1):231~237.[8] 孙小芳,金振奎,赵前华.伪波阻抗反演和频谱成像技术在琼东南盆地储层预测中的应用[J].地球物理学进展,2010,25(2):579~584.SunXF,JinZK,ZhaoQH.ApplicationofPseudo waveimpedanceinversionandspectralimagingtechniquetoreservoirpredictionintheQiongdongnanBasin[J].ProgressinGeophys.(inChinese),2010,25(2):579~584.[9] 张进学,代瑜,屈战海.吐哈盆地葡萄沟地区储层预测及成藏特征探讨[J].石油地球物理勘探,2008,43(5):600~605.ZhangJX,DaiY,QuZH.Discussiononreservoirpredictionandreservoir ac cumulatingfeatureinPutaogouareaofTu Habasin[J].OilGeophysicalProspecting(inChinese),2008,43(5):600~605.[10] 田仁飞,曹俊兴,方磊.时频分析技术及其在识别含气层中的应用———以川中某地区雷口坡组雷3含气层为例[J].天然气地球科学,2008,19(2):72~75.TianRF,CaoJX,FangL.Time frequencyanalysisanditsapplicationingas bearingreservoirs:acasefromtheLei3gas bearingreservoirofLeikoupoformationinaareaofcentralSichuan[J].NatureGasGeosience(inChinese),2008,19(2):72~75.[11] 张波,王真理,周水生,等.谱分解在含气检测中的应用[J].地球物理学进展,2010,25(4):1360~1364.ZhangB,WangZL,ZhouSS,犲狋犪犾.Applicationofspectraldecompositiontogasdetection.ProgressinGeophys.(inChinese),2010,25(4):1360~1364.[12] 董宁,杨立强.基于小波变换的吸收衰减技术在塔河油田储层预测中的应用研究[J].地球物理学进展,2008,23(2):533~538.DongN,YangLQ.Applicationofabsorptionandattenuationbasedonwavelettransformforpredictionofreservoirintaheoilfield[J].ProgressinGeophys.(inChinese),2008,23(2):533~538.[13] 李雄炎,李洪奇.数据挖掘技术在石油天然气勘探领域的应用探索[J].地球物理学进展,2009,24(5):1807~1813.LiXY,LiHQ.Applicationofthedataminingtechniquesinexploringtheoilandnaturalgas[J].ProgressinGeophys.(inChinese),2009,24(5):1807~1813.[14] 林昌荣,王尚旭.局部指数拟合异常提取法在普光气田的应用[J].地球物理学报,2011,54(1):218~226.LinCR,WangSX.ApplicationofthemethodofextractinglocalexponentialfittingabormitytoPuguanggasfield[J].ChineseJ.Geophys.(inChinese),2011,54(1):218~226.[15] 陈玉东.地球物理信息处理基础[M].北京:地质出版社,2006.ChenYD.Basicinformationprocessinggeophysics(inChinese)[M].Beijing:GeologicalPublishingHouse,2006.[16] PhuaPB,IppenE.FastrecursivealgorithmforbroadbandAPFsusingcomplexcepstrums[J].OpticsExpress,2004,12(20):4896~4904.3031。

(完整word版)语音信号进行倒谱分析

实验三 语音信号进行倒谱分析一、 实验目的、要求1. 理解倒谱分析的作用2. 掌握倒谱分析求基音周期的方法3. 了解LPC 倒谱分析方法二、实验原理1.倒谱分析原理同态信号处理也称为同态滤波,实现将卷积关系变换为求和关系的分离处理,即解卷。

如 进行如下3步处理对于语音信号进行解卷,可将语音信号的声门激励信息及声道响应信息分离开来,从而求得声道共振特征和基音周期,用于语音编码、合成和识别。

同态信号处理的基本原理(1)第一个子系统D*[](特征系统)完成将卷积信号转化为加性信号的运算。

)(ˆ1n x 和 )(ˆ2n x信号也均是时域序列,但它们所处的离散时域显然不同于x(n)所处的离散时域,故把它称之为复倒频谱域。

)(ˆn x是x(n)的复倒频谱,简称为复倒谱,有时也称为对数复倒谱。

复倒谱具体计算公式其中倒谱计算公式为:2 线性预测原理线性预测分析的基本思想由于语音样点之间存在相关性,所以可以用过去的样点值来预测现在或未来的样点值。

通过使实际语音抽样和线性预测抽样之间的误差在某个准则下达到最小值来决定唯一的一组预测系数,而这组系数就能反映语音信号的特性,可以作为语音信号特征参数来用于语音编码、语音合成和语音识别等应用中去。

线性预测分析的基本原理每个采样值由前面的p 个采样值线性组合所构成。

记为x '(n),有:)(ˆ)(ˆ)(ˆ)](ˆ)(ˆ[)](ˆ[)3()(ˆ)(ˆ)(ˆ)(ln )(ln )(ln )2()()()()]([)1(212111212121n x n x n x z X z X Z z X Z z X z X z Xz X z X z X z X z X z X n x Z =+=+==+=+=⋅==--12()()()x n x n x n =*1ˆ()[ln (())]x n Z Z x n -=[()]()ˆ()ln ()ˆˆ()[()]jw jw jw jw DFT x n X e Xe X e xn IDFT X e ===要提高预测精度,就是要预测系数{k a }的取值使e(n)最小。

  1. 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. 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. 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)。

1 倒谱实验程序
hanning=zeros(1,300);
a1=zeros(1,620);N=300;K=250;daopu=zeros(1,300);
%浊音倒谱分析
sp=wavread('D:\');%11000采样频率
qq=0;
for number=1:300
hanning(number)=(1/2)*(1-cos((2*pi)*(number-1)/299));
end
for i=1:10000
qq=qq+sp(i)/10000;
end
for i=1:10000
sp(i)=sp(i)-qq;
end
% for k=1:N
s1=abs(fft(sp(1+100:300+100).*hanning'));
for i=1:300
s2(i)=logm(s1(i));
end
%end
mm=real(ifft(s2));
for i=1:150
daopu(i)=mm(151-i);
end
for i=1:150
daopu(150+i)=mm(301-i);
end
plot(daopu)
hold on
R=zeros(1,250);
%轻音倒谱计算
sp1=wavread('D:\');%11000采样频率
qq=0;
for i=1:10000
qq=qq+sp1(i)/10000;
end
for i=1:10000
sp1(i)=sp1(i)-qq;
%for k=1:N
s1=abs(fft(sp1(1:300).*hanning'));
for i=1:300
s2(i)=logm(s1(i));
end
%end
mm=abs(ifft(s2));
for i=1:150
daopu1(i)=mm(151-i);
end
for i=1:150
daopu1(150+i)=mm(301-i);
end
%end
plot(daopu1,'r')
2.短时幅度差程序
% 短时幅度差求基因周期
a1=zeros(1,620);N=401;K=250;F=zeros(1,250);
sp=wavread('D:\语音信号处理实验3\');%11000采样频率qq=0;
for i=1:10000
qq=qq+sp(i)/10000;
end
for i=1:10000
sp(i)=sp(i)-qq;
end
sp(1:300)=sp(1:300);%.*hanning(1:300)';
for k=1:K
for m=1:N-k+1
F(k)=F(k)+abs(sp(m)-sp(m+k-1))/(N-k+1);
end
end
plot(F)
hold on
F1=zeros(1,250);
sp1=wavread('D:\语音信号处理实验3\');%11000采样频率
qq=0;
for i=1:10000
qq=qq+sp1(i)/10000;
for i=1:10000
sp1(i)=sp1(i)-qq;
end
for k=1:K
for m=1:N-k
F1(k)=F1(k)+abs(sp1(m)-sp1(m+k-1))/(N-k+1);
end
end
plot(F1,'r')
3 短时相关
a1=zeros(1,620);K=450;R=zeros(1,250);
sp=wavread('D:\语音信号处理实验3\');%11000采样频率
for i=1:250
for j=1:601-1-i
R(i)=R(i)+sp(j)*sp(j+i);
end
end
plot(R/14)
hold on
R=zeros(1,250);
sp=wavread('D:\语音信号处理实验3\');%11000采样频率f1=sp(3300:4000);%11000采样频率
for i=1:250
for j=1:601-1-i
R(i)=R(i)+f1(j)*f1(j+i);
end
end
plot(R/14,'r')
4 LPC倒谱分析
N=256;R=zeros(1,N);
p=12;a=zeros(p,p);En=zeros(1,p);
K=zeros(1,p);
sp=wavread('D:\语音信号处理实验3\');%11000采样频率
qq=0;
for i=1:10000
qq=qq+sp(i)/10000;
end
for i=1:10000
sp(i)=sp(i)-qq;
end
for j=1:p
for n=j:N-1
R(j)=R(j)+sp(n)*sp(n-j+1);
end
end
En(1)=R(1);
K(1)=R(2)/R(1);
a(1,1)=K(1);
En(2)=(1-K(1)^2)*En(1);
%K(2)=(R(3)-a(1,1)*R(2))/En(2);
%a(2,2)=K(2);
%a(2,1)=a(1,1)-K(2)*a(1,1);
for i=2:p
po=0;
for j=1:i-1
po=po+a(i-1,j)*R(i-j+1);
end
K(i)=(R(i+1)-po)/En(i);
a(i,i)=K(i);
for j=1:i-1
a(i,j)=a(i-1,j)-K(i)*a(i-1,i-j);
end
En(i+1)=(1-K(i)^2)*En(i);
end
source=sp(1:256);
for i=1:12
mm(i)=a(12,13-i);
end
mm1=zeros(1,300);
for k=1:256
if k<p
for m=1:k
mm1(k)=mm1(k)+mm(p-k+m)*source(m);
end
else
if k<256
for m=1:p
mm1(k)=mm1(k)+mm(m)*source(m+k-p);
end
else
for m=k-p+1:256
mm1(k)=mm1(k)+mm(m-k+p)*source(m);
end
end
end
end
DFTmm=abs(fft(mm1));
Ln=zeros(1,300);
for i=1:60
Ln(i)=logm(DFTmm(i));
end
ifftLn=real(ifft(Ln));
mm=ifftLn;
for i=1:150
daopu1(i)=mm(151-i);
end
for i=1:150
daopu1(150+i)=mm(301-i);
end
plot(daopu1)。

相关文档
最新文档