g723原始碼分析 五 基音週期補充

關於基音週期搜尋,分子是自相關,但還做了乙個與能量相除的操作,

筆者最近一直在思考諧波雜訊成形的問題,偶然情況下對基音週期的這個

搜尋演算法有了點心得,實際上這個演算法跟自適應有點關係.

我們先來看723對基音週期搜尋的條件,筆者在之前的文章中描述過,同學們

n=119 n=119

( (σ s[n] * s[n - j])^2 ) / (σ s[n - j] * s[n - j]) 18<=j<=142 --- 式1

n=0 n=0

注意分母項,是對應位置的能量,為何要將它加入分母項呢?

筆者做了這樣的假設

假設基音週期為l

那麼語音取樣值y[n] 應該可用用下式下估值:

y[n] = b*y[n - l] b為乙個估值係數

計算估值誤差

e = y[n] - b*y[n - l]

所有能量的誤差

n=119 n=119

e= σ e^2 = σ (y[n] - b*y[n - l])^2

n=0 n=0

我們希望 e 值最小,自然想到對 b 求導數為零時,得到b的表示式

n=119 n=119

b = ( (σ y[n] * y[n - l])^2 ) / (σ y[n - l] * y[n - l])

n=0 n=0

呵呵,很眼熟的表示式,它實際上就是723對基音週期搜尋的判斷表示式《式1>

我們希望估值係數最大,即希望能量衰減最小

即就是求《式1>的指定範圍的最大值.

這了算是對基音週期搜尋的一種解釋吧,跟自相關肯定有關,但也可以認為跟自適應演算法

有關

g723原始碼分析 五 基音週期補充

關於基音週期搜尋,分子是自相關,但還做了乙個與能量相除的操作,筆者最近一直在思考諧波雜訊成形的問題,偶然情況下對基音週期的這個 搜尋演算法有了點心得,實際上這個演算法跟自適應有點關係.我們先來看723對基音週期搜尋的條件,筆者在之前的文章中描述過,同學們 n 119 n 119 s n s n j ...

g723原始碼詳細分析 19 基音後置濾波器

現在來分析g723基音後置濾波器 根據基音周期間,激勵訊號的相關性,來對激勵訊號做乙個增強處理 相應的函式分別是 comp lpf filt lpf comp lpf 負責計算最佳的基音延後,具體地說,是在基音週期延遲附近,找出最匹配當前子幀激勵的60個連繼激勵e i 使用的方法自然找自相關最大的....

g723原始碼詳細分析 三 lsp量化

4 lsp系數量化 現在來分析這個 10 lsp係數已經計算出來了,由於lsp的性質,可以將它們分成若干段,分別量化 它們將會被分成 3,3,4這三個分向量 每個向量都會有乙個256的碼本表 大概是這麼多的,可以直接計算一下那個陣列的大小 lsp qnt 這個函式,執行lsp量化的過程,會形成乙個l...