利用平均幅度差函数法进行基音周期估计-Read
语音信号特征提取技术
3.共振峰估计
共振峰：共振峰是指在声音的频谱中能量相对集中的一些区域，共振峰 不但是音质的决定因素，而且反映了声道（共振腔）的物理特征。声音 在经过共振腔时，受到腔体的滤波作用，使得频域中不同频率的能量重 新分配，一部分因为共振腔的共振作用得到强化，另一部分则受到衰减， 得到强化的那些频率在时频分析的语图上表现为浓重的黑色条纹。由于 能量分布不均匀，强的部分犹如山峰一般，故而称之为共振峰。 频带宽度：简称为“带宽”，有时称必要带宽，是传送模拟信号时的 信号最高频率与最低频率之差。
反映语音的本质特性。
倒谱法是传统的基音周期检测算法之一，它利用语音信号的倒频 谱特征，检测出表征声门激励周期的基音信息。
浊音语音的复倒谱中存在峰值，其出现时间等于基音周期； 而清音语音段的复倒谱则不出现这种峰值。利用这一性质可以进 行清/浊音判断并估计浊音的基音周期。
4.基音检测的后处理
无论采用哪一种基音检测算法都可能产生基音检测错误，使求得的基音 周期轨迹中有一个或几个基音周期估值偏离了正常轨迹，为了去除这些 偏离点，可以采用各种平滑算法，其中最常用的是中值平滑算法和线性 平滑算法。
3.谱熵法
熵：信息的有序程度； 谱熵语音端点检测方法是通过检测谱的平坦程度，从而达到语音端点检测的 目的； 实验中发现语音的熵与噪音的熵存在较大差异，语音信号的谱熵值一般都低 于噪声的谱熵值
谱熵函数绘制的噪音谱（左）和语音谱（右）：
谱熵函数可以很方便的描述谱的平坦特性。噪声谱较为平坦， 谱熵较大；语音谱与之相反，谱熵大的为噪声，小的为语音；
3.倒谱法
倒频谱：倒频谱，就是对功率谱的对数值进行傅立叶逆变换，将复杂的卷积关系 变为简单的线性叠加，从而在其倒频谱上可以较容易地识别信号的频率组成分量， 便于提取所关心的频率成分，较准确地反映故障特性。 声门激励信号：是肺部气流冲击声带产生的，是语音的源信号。直接使用音源对 信号做进一步的处理，可以不受声带共振峰的影响，其处理的结果可以更准确的
第08章 语音信号特征参数
第八章语音信号特征参数8.1 概述语音信号是十分复杂的非平稳信号，它不仅包含语义信息，还有个人特征信息，对其特征参数的研究是语音识别的基础。
换句话说，特征参数应能完全、准确地表达语音信号。
那么特征参数也应能完全、准确地表达语音信号所携带的全部信息。
实验语音学的研究从语音信号本质上给出的特征参数是科学的、合理的，但是不完全的。
在元音的特征研究较深入，对辅音的研究相对较弱，对辅音、元音之间的过渡就更弱，而这一部分恰好是含信息量最大、最难处理的。
本章介绍语音信号的九种特征参数及其提取算法，是从不同的角度对语音信号研究的结果，是可行的、有效的，但不是万能的。
值得提请读者注意的是，某些算法对一些应用表现很好，但对另一些应用可能表现不佳。
应该说我们对语音信号的本质认识还不够深入，也就是我们对语音信号的发音机理、心理，听觉机理、心理，语义的社会性等方面缺乏深入研究，更谈不上多学科综合研究。
尽管如此，现有的这些特征参数在语音识别中起着重要作用。
8.2基音周期Equation Chapter 8 Section 2基音周期（Pitch）（或基音频率）是指发浊音时声带震动所引起的周期性，基音周期也F的倒数，它不仅是语音信号分析的一个重要参数，也是语音产生的数字是声带振动频率模型中激励源的一个重要参数，它携带着非常重要的具有辨意信息，因此它的检测和估计是语音处理中一个十分重要的问题[1]。
基音检测的主要困难在于：（1）语音信号变化十分复杂，声门激励波形并不是一个完全周期的序列，在语音的头、尾部并不具有声带振动那样的周期性，有些清浊音的过渡帧是很难判断它应属于周期性还是非周期性，从而也就无法估计出基音周期。
（2）要从语音信号中去除声道影响，或者直接去除仅和声带振动有关的音源信息并非容易的事，例如声道共振峰有时会严重影响音源的谐波结构。
（3）在浊音段很难精确地确定每个基音周期的开始和结束位置，这不仅因为语音信号本身是准周期的（即音调是有变化的），而且因为波形的峰或过零受共振峰结构、噪声等影响。
基于线性预测编码与AMDF的高精度基音检测算法
基于线性预测编码与AMDF的高精度基音检测算法王恩成;苏腾芳;袁开国;伍淳华【摘要】根据语音信号产生原理,结合线性预测编码( LPC)与平均幅度差函数法(AMDF),提出了一种高精度的基音检测算法.该算法首先利用线性预测分析提取残差信号；然后采用累积平均归一化差分函数与差分信号修正,使基音周期的谷值点更加尖锐；最后利用二次函数拟合与基音周期的倍数检查筛选候选值,得到了准确的基音周期.实验结果表明,与传统方法相比,该算法的基音检测效果有了明显改善,减少了基音检测中的半频错误,在高信噪比下具有良好的准确性和鲁棒性.%According to the mechanism of speech signal, a super resolution pitch detection algorithm, which combined Linear Predictive Coding (LPC) with Average Magnitude Difference Function (AMDF), was proposed. Firstly, residual of LPC was extracted by linear predictive analysis. Then, cumulative mean normalized difference function and difference signal revision were used to make pitch valley sharper. At last, parabolic interpolation and pitch multiple check were taken to select real pitch period. The experimental results indicate that the pitch detection effect of the algorithm is superior to that of the conventional algorithms. The proposed algorithm conquers half frequency errors, and has good accuracy and robustness under the condition of high Signal-to-Noise Ratio (SNR).【期刊名称】《计算机应用》【年(卷),期】2012(032)004【总页数】4页(P1180-1183)【关键词】语音信号;基音周期;线性预测编码;平均幅度差函数;自相关函数【作者】王恩成;苏腾芳;袁开国;伍淳华【作者单位】北方工业大学信息工程学院,北京100144;北方工业大学信息工程学院,北京100144;北京邮电大学计算机学院,北京100876;北京邮电大学计算机学院,北京100876【正文语种】中文【中图分类】TP391.420 引言人在发浊音时，气流通过声门使声带产生张驰振荡式振动，形成一股准周期脉冲气流，这种声带振动的频率称为基音频率，相应的周期称为基音周期。
语音信号处理_考试参考题（修订版）（1）
语⾳信号处理_考试参考题（修订版）（1）⼀、填空题：（每空1 分，共60分）1、语⾳信号的频率范围为（300－3400kHz），⼀般情况下采样率为（8kHz ）。
书上22页2、语⾳的形成是空⽓由（肺部）排⼊（喉部），经过（声带）进⼊声道，最后由（）辐射出声波，这就形成了语⾳。
书上11页。
肺中的通过（稳定）的⽓流或声道中的⽓流激励（喉头⾄嘴唇的器官的各种作⽤）⽽产⽣。
当肺中的⽓流通过声门时，声门由于其间⽓体压⼒的变化⽽开闭，使得⽓流时⽽通过，时⽽被阻断，从⽽形成⼀串周期性脉冲送⼊声道，由此产⽣的语⾳是（浊⾳）。
如果声带不振动，声门完全封闭，⽽声道在某处收缩，迫使⽓流⾼速通过这⼀收缩部位⽽发⾳，由此产⽣的语⾳是（清⾳）。
3、语⾳信号从总体上是⾮平稳信号。
但是，在短时段（10~30）ms中语⾳信号⼜可以认为是平稳的，或缓变的。
书上24页4、语⾳的四要素是⾳长，⾳强，⾳⾼和⾳质，它们可从时域波形上反映出来。
其中⾳长特性：⾳长（长），说话速度必然慢；⾳长（短），说话速度必然快。
⾳强的⼤⼩是由于声源的（震动幅度）⼤⼩来决定。
5、声⾳的响度是⼀个和（振幅）有密切联系的物理量，但并不就是⾳强。
6、⼈类发⾳过程有三类不同的激励⽅式，因⽽能产⽣三类不同的声⾳，即（浊⾳）、（清⾳）和（爆破⾳）。
7、当⽓流通过声门时声带的张⼒刚好使声带发⽣较低频率的张弛振荡，形成准周期性的空⽓脉冲，这些空⽓脉冲激励声道便产⽣浊⾳如果声道中某处⾯积很⼩，⽓流⾼速冲过此处时⽽产⽣湍流，当⽓流速度与横截⾯积之⽐⼤于某个门限时（临界速度）便产⽣摩擦⾳，即（清⾳）。
8、如果声道某处完全闭合建⽴起⽓压，然后突然释放⽽产⽣的声⾳就是（爆破⾳）。
9、在⼤多数语⾳处理⽅案中，基本的假定为语⾳信号特性随时间的变化是（平稳随机）的。
这个假定导出各种（线性时不变）处理⽅法，在这⾥语⾳信号被分隔为⼀些短段再加以处理。
10、⼀个频率为F。
的正弦形信号以Fs速率抽样，正弦波的⼀周内就有（Fs/F0）个抽样。
语音基音周期检测方法
语音基音周期检测方法
郑继明;王劲松
【期刊名称】《计算机工程》
【年(卷),期】2010(036)010
【摘要】针对现有语音基音检测算法抗噪能力低的问题,利用多尺度连续小波对语音信号进行预处理.基于短时平均幅度差函数和短时自相关函数,提出一种语音基音
周期检测方法,在确保运算量较低的前提下,获得准确结果.使用平滑算法消除倍频点、半频点和随机点产生的误差,实现基音曲线平滑.
【总页数】3页(P273-275)
【作者】郑继明;王劲松
【作者单位】重庆邮电大学应用数学研究所,重庆,400065;重庆邮电大学计算机科
学与技术学院,重庆,400065
【正文语种】中文
【中图分类】TP391
【相关文献】
1.结合EMD与DWT-ACF的语音基音周期检测改进算法 [J], 张涛;章小兵;朱明星
2.基于语音分组的基音周期检测方法 [J], 朱徐来;冯俊
3.基于前置滤波和小波变换的带噪语音基音周期检测方法 [J], 李辉;戴蓓蒨;陆伟
4.基于自相关的语音基音周期检测方法研究 [J], 李永宁
5.一种语音信号基音周期时域估计算法 [J], 吴树兴
因版权原因，仅展示原文概要，查看原文内容请购买。
老师整理————语音信号处理复习知识点-11南理工
§1.1 语音信号处理概述一、语音、语音信号处理的名词解释1、语音：是语言的声学表现，是声音和意义的结合体，是相互传递信息的重要手段，是人类最重要、最有效、最常用和最方便的交换信息的形式。
2、语音信号处理：是研究用数字信号处理技术对语音信号进行处理的一门学科，它是一门新兴的学科，同时又是综合性的多学科领域和涉及很广的交叉学科。
它与语音学、语言学、声学、认知科学、生理学、心理学有密切关系。
3、语音信号的数字处理的优点：第二页第四段二、语音学的名词解释语音学：与语音信号处理存在十分密切的关系，是研究言语过程的一门科学，它包括三个研究内容：发音器官在发音过程中的运动和语音的音位特性；语音的物理特性；以及听觉和语言感知。
§1.2 语音信号处理的发展概况1、语音编码：语音编码技术是伴随着语音信号的数字化而产生的，目前主要应用在数字语音通信领域。
2、语音合成：语音合成的目的是使计算机能像人一样说话。
3、语音识别：语音识别是使计算机判断出所说的话的内容。
§2.2 语音产生的过程一、语音、清音、浊音1、语音：声音是一种波，能被人耳听到，振动频率在20Hz-20kHz之间。
语音是声音的一种，它是由人的发音器官发出的、具有一定语法和意义的声音。
语音的振动频率最高可达15kHz左右。
2、浊音、清音：语音由声带振动或不经声带振动来产生，其中由声带振动产生的音统称为浊音，而不由声带振动产生的音统称为清音。
浊音中包括所有的元音和一些辅音，清音包括另一部分辅音。
二、语音的产生过程（人体发出声音的基本过程）：人类的语音是由人体发音器官在大脑控制下的生理运动产生的。
空气从肺部排出形成气流，冲击声带，如果声带是紧绷的，则则形成准周期性脉冲的空气流，产生“浊音”。
若声带完全舒展，则形成摩擦音或爆破音。
经过声道调制的空气流最后从口或鼻腔辐射出来，形成语音。
语言交际：通过连接说话人大脑的一连串心理、生理、和物理的转换过程实现的。
哈尔滨工程大学语音信号处理实验报告讲述
实验报告实验课程名称：语音信号处理实验姓名：班级： 20120811 学号：Array指导教师张磊实验教室 21B#293实验时间 2015年4月12日实验成绩实验一 语音信号的端点检测一、实验目的1、掌握短时能量的求解方法2、掌握短时平均过零率的求解方法3、掌握利用短时平均过零率和短时能量等特征，对输入的语音信号进行端点检测。
二、实验设备 HP 计算机、Matlab 软件 三、实验原理 1、短时能量语音信号的短时能量分析给出了反应这些幅度变化的一个合适的描述方法。
对于信号)}({n x ，短时能量的定义如下：∑∑∞-∞=∞-∞=*=-=-=m m n n h n x m n h m xm n w m x E )()()()()]()([2222、短时平均过零率短时平均过零率是指每帧内信号通过零值的次数。
对于连续语音信号，可以考察其时域波形通过时间轴的情况。
对于离散信号，实质上就是信号采样点符号变化的次数。
过零率在一定程度上可以反映出频率的信息。
短时平均过零率的公式为：∑∑-+=∞-∞=--=---=1)]1(sgn[)](sgn[21 )()]1(sgn[)](sgn[21N n nm w w m n m x m x m n w m x m x Z其中，sgn[.]是符号函数，即⎩⎨⎧<-≥=0)(10)(1)](sgn[n x n x n x3、端点检测原理能够实现这些判决的依据在于，不同性质语音的各种短时参数具有不同的概率密度函数，以及相邻的若干帧语音应具有一致的语音特性，它们不会在S 、U 、V 之间随机地跳来跳去。
要正确判断每个输入语音的起点和终点，利用短时平均幅度参数E 和短时平均过零率Z 可以做到这一点。
首先，根据浊音情况下的短时能量参数的概率密度函数)|(V E P 确定一个阈值参数H E ，H E 值一般定的较高。
当一帧输入信号的短时平均幅度参数超过H E 时，就可以判定该帧语音信号不是无声，而有相当大的可能是浊音。
改进的基音检测算法
n = -¥
å
¥
S w (n)S w (n + k ) =
N-k-1 n=0
å
S w (n)S w (n + k )
（5）
归一化幅度
N 为语音分析帧的长度， k 为延迟度。语音信号的自相 式中， 关函数 R w (k ) 在基音频率整数倍处将出现峰值特性， 通常根据
第一峰值点 （ R w (0) 除外） 来估计基音。 平均幅度差函数 （AMDF） 的思想是： 如果信号是一个标准 的周期函数， 那么不同周期段的对应信号之差为 0[8]。 S w (n) 的平均幅度差函数 （AMDF）D w (k ) 为：
118
2011， 47 （3）
Computer Engineering and Applications 计算机工程与应用 如果 R w (k ) 的第一峰值越尖锐或 D w (k ) 的全局谷值点的锐度 越突出， 则基音周期的估计将越精确 [9]。因此， 结合 ACF 和 AMDF 的优点， 提出一种改进的 ACF/AMDF 加权平方特征进 行基音周期估计， 新的特征参数表达式如下：
2.1 LMS 自适应滤波原理
LMS 算法是一种简单有效的估计梯度方法， 其依据为最 小均方误差准则。LMS 自适应滤波器是一类具有反馈性能的 自适应系统， 它通过对前一时刻获得的滤波器参数来自动调 节现时刻的滤波器参数， 使得滤波器输出信号与期望信号之 间的误差均方值最小， 从而达到最佳滤波的效果。其自适应 滤波原理如图 2 所示。
0.5 0 －0.5 幅度 一帧纯净语音信号波形 50 100 150 200 250 300 采样点数 350 400 450 500
2.2 改进的 ACF/AMDF 加权平方特征
- 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)。
Speech Pitch Period Estimation Based on AMDF Abstract：Pitch period is a key parameter in speech compression , synthesis andrecognition. The well-known AMDF is often used to determine this parameter.But it is easy to make the estimated pitch doubled.According to the conventional speech- generating mode AMDF, the paper refers to a new speech pitch determination algor- ithm which bases on AMDF. The new method can resolve both the error by searching "the first trough" and the reduplication by searching "the minimal trough". It can win more accurate results by forecasting the range of the rough value, making and linear- transformation.The algorithm not only simplifies the pitch detection ,but also efficie- ntly decreases the estimation errors and improves the precision of estimated values.Key words:average magnitude difference function(AMDF);pitch period estimation 1 引言基音是指发浊音时声带振动起的周期性, 而基音周期是指声带振动频率的倒数。
基音周期检测是语音信号处理中的重要工作之一。
然而基音周期的精确检测实际上是比较困难的。
这是因为声门激励信号并不是一个完全的周期序列, 在语音开头和结尾部分不具有声带振动那样的周期性, 清音和有些浊音的过渡帧很难判断有没有周期性; 同时语音的共振峰会严重影响激励信号的谐波结构, 因为语音信号本身是有音调变化的; 另外人的基音周期变化范围比较大, 从50Hz到500Hz。
(a) 简化的语音生成数学模型与自相关法相比,AMDF方法具有运算量小、精度高等优点,在军用语音编码中得到广泛应用。
但是在AMDF方法中,经常发生基音估计结果为实际基音周期的2 倍,这不仅与语音信号波形复杂有关,还与短时AMDF函数的特性有关. 短时AMDF 函数随着滞后时间的增加,峰值幅度逐渐下降，这使得谷值点检测以及谷值点的清晰度检查比较困难，针对该问题,相关文献提出了不少改进方法。
本文提出了一种改进的AMDF方法,它通过简单的预设谷值范围、线性变换等步骤实现了较精确的基音检测。
2 传统的AMDF 函数与加权AMDF 函数比较传统的平均幅度差函数(Average Magnitude Difference Function ,AMDF) 是Ross 等人于1974 年提出的 ,其定义为:∑--=nn k n S n S Nk F )()(1)( （1）其中s(n) 为离散化的语音采样序列，当采用短时处理技术加方窗时 ，式(1) 变为：∑--=-+=1)()()(k N m n nn m S k m Sk F （2）从式(2) 可以看出计算)(k F n 的差值项是不同的,,随着k 的增加,求和的差值项数将逐渐减少,结果导致)(k F n 峰值幅度随着滞后时间k 的增加而逐渐下降，为了有效地改正这一缺点提出了加权的平均幅度差函数(W-AMDF)：∑+-=--++-=11)()1(11)(k N m n n nW m S k m S k N k F （3）（b ） 时域波形和及对应的传统AMDF（c ） 时域波形和及对应的加权AMDF3 实验设计1）首先对装载后的原始语音信号进行分帧，在参数选择上使得帧长等于帧移，而且帧长控制在比较小的范围内。
编写一个判断每帧语音信号短时能量的函数，统计分帧后的语音信号每帧的平均能量，由于静音帧和清音帧的能量较浊音帧的能量小，那么可以根据实验结果选择合适的平均能量阈值，当某帧的能量小于该阈值时可以认为这帧不含有基音周期信息，把该帧的帧号记录在一个数组中。
（d ）原始语音信号与去清音和静音后信号的比较2）对每帧信号经过短时能量判断后，根据数组记录的帧号对对应帧的内容作置零处理，然后把非零内容的帧组成一个新的语音，这时候可以认为新的语音信号中含有丰富的基音周期信息。
（e ）重新组成的语音信号3）然后对新生成的语音信号进行分帧，然后编写一个平均幅度差函数，语音信号的短时线性加权平均幅度差函法定义为：∑+-=--++-=11)()1(11)(k N m n n nW m S k m S k N k F4）根据平均幅度差函数法原理，判断每帧信号的)(k F nW 中的局部极小值，由于人的语音频率为50~500Hz ，那么对应的极小值局部搜索范围为Fs/500~Fs/50( Fs 是语音信号的取样频率)个取样点，那么三倍以及三倍以上周期的情况都已经被排除，如果是二倍周期，可以使当前帧的基音频率所对应的取样点与前一帧真确的基音频率所对应的取样点相减，得到当前帧的基音频率所对应的取样点，从而对野点进行了第一次剔除( X(n)为局部极小值对应的取样点数,NUM 为X(n)不为零的总个数 )0 (X(n)>Fs/50 or X(n)<Fs/500)X(n)= |X(n)-X(n-1)| (round(X(n)/ X(n-1))=2 or round(X(n-1)/ X(n))=2) X(n) elseA VE=∑=rown n X 1)(/NUM然后对经过第一次剔除后统计出来的基音频率对应的取样点数进行平均值计算。
以平均值为阈值对已经统计出来的各帧取样点数进行第二次去野点，即：如果某帧的基音频率对应的取样点数大于阈值的动态范围就认为该帧统计出来的数据是不合理的，并且把其基音周期置零处理。
阈值a(0<a<1)、b(b>1)的动态范围可以根据实验结果择优选择。
0 X(n)>A VE*b or X(n)<A VE*a X(n)= X(n) else第一次去野点时在Fs/500~Fs/50个取样点的局部范围内寻找极小值，三倍以及三倍以上周期的情况都已被排除，如果没有基音周期但是在第一次处理时得到了不合理的数据，可以通过第二次去野点把数据排除掉，从而统计出每一帧的基音频率所对应的取样点数，然后把取样点数转换为相应的基音频率，同时取样点数为零的数据仍然置零处理，并再次统计这个语音信号的平均频率。
(f)第k+1帧的极小值对应二倍基音周期，其基因周期等于该值减去k 帧的基音周期5）最后，经以上方法统计出来的基音频率总的来说是在平均频率上下范围波动，为了使得实验数据分布的更光滑，可以对实验结果进行线性滤波，使得基因频率在平均频率的正负5%的范围内波动。
(g)基音统计结果4 结束语传统的基于短时AMDF 函数随着滞后时间的增加,峰值幅度逐渐下降，这使得谷值点检测以及谷值点的清晰度检查比较困难，针对该问题相关文献提出了不少改进方法，在此基础上,本文里利用基于W-AMDF 的基音检测算法,并在该算法中采用了新的清浊判别和基音判别准则，提高了基音估计精度，而且算法的复杂度低。
参考文献1、《语音信号处理》，赵力，机械工业出版社，2003。
2 《语音信号处理》，易克初, 田斌, 付强, 国防工业出版社, 北京, 2000。
3、《数字信号处理的MATLAB 实现》，万永革，科学出版社，北京，2007。
实验小结基音周期是语音信号中的重要参数之一，它在语音识别、语音合成和语音编码中有着广泛的应用，因此研究如何准确判断语音信号的基音频率是非常有实际意义的，同时从不同角度出发来研究语音信号的基音频率又具有重要的理论价值。
本次实验作者采用的是在时域里利用线性加权平均幅度差函数法进行基音周期估计，根据信息论的有关知识可知对原始语音信号作直接的处理可以使得原始语音所含有的基音频率信息丢失的最少，因此可以说恰当地运用此方法可以取得比较科学可靠的结果。
设计的创新点：1．原始语音信号分帧(帧长等于帧移)后进行短时能量判断，小于某一阈值则置零处理，然后用非零帧组成新的富含基音周期信息的新语音信号，接着对这个新语音进行基因周期估计。
2. 人的语音频率为50~500Hz ，那么在局部范围第Fs/500~Fs/50 ( Fs 是语音信号的取样频率)个取样点内搜索每帧信号的)(k F nW 中的局部极小值，三倍以及三倍以上周期的情况都已经被排除，其原理为( NUM 为X(n))>0的总个数)：0 (X(n)>Fs/50 or X(n)<Fs/500)X(n)= |X(n)-X(n-1)| (round(X(n)/ X(n-1))=2 or round(X(n-1)/ X(n))=2) X(n) elseA VE=∑=rown n X 1)(/NUM经过第一次去野点，在进行第二次去野点操作,其原理为： 0 X(n)>A VE*b or X(n)<A VE*a X(n)= X(n) else阈值a(0<a<1)、b(b>1)的动态范围可根据实验结果择优选择 需要改进的地方：本算法仍然存在一些基音周期估计错误,主要是发生在清音浊音过渡段，即清音误判为浊音,需要进一步研究.通过本次软件设计促进自己对所学知识的融会贯通，同时也使自己在研究问题方面有了更深的认识，拓宽了知识面，锻炼了能力，综合素质得到较大提高，尤其是观察、分析和解决问题的能力。
作为整个学习体系的有机组成部分，软件设计虽然安排在课外时间进行，但并不具有绝对独立的意义。
它的一个重要功能，在于运用学习成果，检验学习成果。
运用学习成果，把课堂上学到的系统化的理论知识，尝试性地应用于解决实际问题；检验学习成果，看一看课堂学习与实际工作到底有多大距离，并通过综合分析，找出学习中存在的不足，以便为完善学习计划，改变学习内容与方法提供实践依据。
软件设计达到了专业学习的预期目的，感到不仅实际动手能力有所提高，更重要的是进一步激发了对专业知识的兴趣，并能够结合实际存在的问题在专业领域内进行更深入的学习。