【语音信号处理】音频信号傅里叶变换和功率谱密度特征提取【含Matlab源码 3381期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、音频信号傅里叶变换和功率谱密度特征提取

图2-1展示的是Notc1.wav文件中的两路音乐信号时域图像及其幅度谱图像。通过两路音乐信号的幅度谱，可以看出，音乐信号的频率范围集中分布在5kHZ以下。超过5kHZ的频率部分，幅度接近零。
音乐信号低通滤波器设计的通带频率为0~5kHZ，阻带频率6kHZ以上，过渡带宽为1kHZ，选用巴特沃斯低通滤波器模型实现信号的低通滤波。
原信号经过低通滤波器后，得到滤波信号的时域图和幅度谱图如图2-2所示。比较图2-1和图2-2功率谱图，不难看出，原音乐信号5k以上的频率分量被滤除。

图 2-1 音乐信号Noct1时域图和幅度谱图

图 2-2 音乐信号Noct1低通滤波时域图和幅度谱图
图2-3展示的是两路音乐信号采用周期图法进行功率谱估计得出的图像。第一行，周期图法采用矩形窗，32768点，得出功率谱；第二行，周期图法采用矩形窗，4096点，得出功率谱。不难看出，两者分辨率和方差存在着明显的区别：窗口的点数越多，功率谱的分辨率越高，方差越大。第三行，周期图法采用汉明窗，4096点，得出功率谱。
图2-4展示的是滤波后的音乐信号采用周期图法得到的功率谱图。对比图2-3和图2-4，可以看出，音乐信号经过低通滤波后，5kHZ内的分辨率没有降低（采样点数未变），但其方差明显减小。功率谱超过5kHZ后，由于滤波的原因，其值不再发生变化。
图2-5展示的是两路音乐信号采用多窗法进行功率谱估计得出的图像。第一行，多窗法采用矩形窗，重叠度为0，得出功率谱；第二行，多窗法采用矩形窗，重叠度为50%，得出功率谱。不难看出，；两者的分辨率和方差存在明显的区别：窗口的重叠度变高，同一段信号可以使用更多的窗口，窗口的数量增多，功率谱的分辨率降低，方差降低，曲线变得更加圆滑。第三行，多窗法采用汉明窗，重叠度50%，得出功率谱。
图2-3和图2-5进行比较，不难发现，多窗法估计的功率谱曲线更加圆滑，虽降低了分
辨率，但曲线的方差明显减小，更加有利于信号的分析。
图 2-3 音乐信号Noct1周期图法功率谱估计

图 2-4 音乐信号Noct1低通滤波周期图法功率谱估计
图2-6是音乐信号经过低通滤波后，采用多窗法进行频率谱估计。可以看出，滤波后的功率图方差明显降低。
图2-6和图2-4的比较，反映出多窗法进行功率谱估计的优势。

图 2-5 音乐信号Noct1多窗法功率谱估计

图 2-6 音乐信号Noct1低通滤波多窗法功率谱估计

图 2-7 音乐信号Noct1自相关图
图2-7为音乐信号的自相关关系图，音乐信号不同于脑电信号，在整个5k个观测点内，音乐信号均具有一定的自相关特性。这表明音乐信号具有一定的重复性。

⛄二、部分源代码

clc;
clear;
%Load Noct1.wav file
[data,Fs]=audioread(‘Noct1.wav’);
Fs = 44100; %Sample Frequency
N = 32768; %Length of each EEG signal
n = 1:1:919919;
channel1 = (data(:,1))‘; %Get the first EEG signal
channel2 = (data(:,2))’; %Get th second signal

f_p=5000; f_s=6000; AP=1; AS=10;
[N_filter,Wc] = buttord(f_p/(Fs/2),f_s/(Fs/2),AP,AS);
[num,den] = butter(N_filter,Wc,‘low’);
channel_1 = filter(num,den,channel1);
channel_2 = filter(num,den,channel2);

%FFT to each signal , get its absolute value and separate it;
fft_channel_1 = fft(channel_1,N);
fft_channel_2 = fft(channel_2,N);
abs_channel_1 = abs(fft_channel_1)/(N/2);
abs_channel_2 = abs(fft_channel_2)/(N/2);
posf_channel_1 = abs_channel_1(1:N/2);
posf_channel_2 = abs_channel_2(1:N/2);
frequency = Fs/N:Fs/N:(Fs/2);

%Get pictures
figure(1);
subplot(2,2,1);
plot(n,channel_1);
title(‘第一频道原始信号’);
xlabel(‘n’),ylabel(‘第一频道’);
subplot(2,2,2);
plot(n,channel_2);
title(‘第二频道原始信号’);
xlabel(‘n’),ylabel(‘第二频道’);
subplot(2,2,3);
plot(frequency,posf_channel_1);
title(‘第一频道幅度光谱’);
xlabel(‘频率’),ylabel(‘幅度’);
subplot(2,2,4);
plot(frequency,posf_channel_2);
title(‘第二频道幅度光谱’);
xlabel(‘频率y’),ylabel(‘幅度’);
%Periodogram PSD
window1 = boxcar(length(channel_1));
window2 = hamming(length(channel_1));
nfft1 = 32768;
nfft2 = 4096;

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]徐洁.基于小波分析的脉搏波信号处理[J].电子设计工程. 2013,21(11)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合