简介：《数字信号处理》是电子工程领域中研究信号分析、处理和变换的重要课程。本课程内容深入，包括傅里叶变换、z变换和数字滤波器设计，为通信、音频和图像处理等领域的核心技术。课件涵盖理论知识及实际应用案例，如信号去噪中的傅里叶变换应用和数字滤波器设计步骤，旨在帮助学生掌握数字信号处理的基本理论与实用技术，为深入研究信号处理和通信系统打下基础。资源包含PPT、习题集和实验指导，增强学生对概念的理解及实际问题解决能力。 
1. 数字信号处理课程概述
数字信号处理（DSP）是信息科学的核心领域之一，它涉及信号的数字化和信号处理技术的实现，广泛应用于通信、电子、医疗和军事等多个行业。本课程旨在为学生提供数字信号处理的基础理论、算法和应用，以及它们在工程实践中如何解决实际问题的深入理解。
1.1 课程目标与重要性
课程的主要目标是让学生掌握数字信号处理的基本概念、原理和方法。我们将会深入探讨信号的表示、变换、滤波以及数字系统的设计和分析。理解这些概念对任何希望在信号处理领域取得进步的专业人士来说都是至关重要的。
1.2 课程内容概览
本课程内容将涵盖以下关键主题：
- 信号的时域与频域表示
- 傅里叶分析及其在信号处理中的应用
- z变换及其在系统分析中的作用
- 设计和实现数字滤波器的方法
- 实际案例分析，包括音频和视频信号的处理
1.3 课程学习方法
为了有效掌握课程内容，建议学生：
- 积极参与课堂讨论，提问和解答疑惑
- 完成所有实验和作业，以实践理论知识
- 利用额外的学习资源，如参考书籍、在线课程和论坛，来加强理解
通过本课程的学习，学生将获得数字信号处理领域的先进知识，并能够将其应用于多种现实世界问题中。
2. 傅里叶变换在信号处理中的应用
2.1 傅里叶变换的基本原理
2.1.1 连续时间信号的傅里叶变换
傅里叶变换是一种数学变换，它将一个函数（通常是信号的时间函数）分解为不同频率的组成成分。对于连续时间信号而言，傅里叶变换可以定义为：
[ F(\omega) = \int_{-\infty}^{\infty} f(t) e^{-j\omega t} dt ]
其中，( f(t) ) 是时间域的信号，( F(\omega) ) 是信号在频率域的表示，( \omega ) 是角频率，( j ) 是虚数单位。
连续时间信号的傅里叶变换具有以下几个重要特点：
- 线性特性 ：信号的叠加在频域中表现为各自频谱的叠加。
- 时域平移特性 ：如果在时域中信号 ( f(t) ) 被平移 ( t_0 )，在频域中将产生一个相位变化 ( e^{-j\omega t_0} )。
- 频域平移特性 ：如果频域信号 ( F(\omega) ) 被平移 ( \omega_0 )，相当于时域信号与 ( e^{j\omega_0 t} ) 相乘。
例如，考虑一个简单的方波信号，其傅里叶级数展开可以表示为一系列正弦波的叠加，每一个分量对应一个特定的频率成分。
在Python中可以使用SciPy库进行连续时间信号的傅里叶变换，例如计算一个简单正弦波的频谱：
import numpy as np
from scipy.fft import fft
import matplotlib.pyplot as plt
# 创建一个简单的正弦波信号
t = np.linspace(0, 1, 500, endpoint=False)
f = np.sin(2 * np.pi * 5 * t) # 5 Hz的正弦波
# 计算傅里叶变换
F = fft(f)
freq = np.fft.fftfreq(t.shape[-1])
plt.plot(freq, np.abs(F))
plt.title('Frequency Spectrum of a Sine Wave')
plt.xlabel('Frequency (Hz)')
plt.ylabel('Amplitude')
plt.show()
2.1.2 离散时间信号的傅里叶变换
对于离散时间信号，傅里叶变换同样适用，形式上称之为离散傅里叶变换（DFT），定义如下：
[ F(k) = \sum_{n=0}^{N-1} f(n) e^{-j\frac{2\pi}{N}kn} ]
其中，( f(n) ) 是离散时间信号，( F(k) ) 是信号的离散傅里叶变换，( N ) 是采样点的总数。
在计算上，通常使用快速傅里叶变换（FFT）算法来提高计算效率，FFT是DFT的一种快速计算方法，大大减少了计算量。
# 使用FFT计算离散时间信号的频谱
import numpy as np
from scipy.fft import fft
# 创建一个简单的离散时间信号
t = np.arange(0, 1, 1/500) # 1秒内，每0.002秒采样一次
f = np.sin(2 * np.pi * 5 * t) # 5 Hz的离散正弦波
# 计算快速傅里叶变换
F = fft(f)
# 频率轴的值
freq = np.fft.fftfreq(len(f), d=1/500)
plt.stem(freq, np.abs(F), 'b', markerfmt=" ", basefmt="-b")
plt.title('Frequency Spectrum of a Discrete Sine Wave')
plt.xlabel('Frequency (Hz)')
plt.ylabel('Amplitude')
plt.show()
通过这个代码段，我们可以看到一个离散时间正弦波信号的频率谱。
2.2 傅里叶变换的性质和定理
2.2.1 线性、时移和频移性质
傅里叶变换保持信号的线性关系，即如果对两个信号进行线性组合，它们的频谱也将是各自频谱的线性组合。时移定理指出，时域信号的延迟会导致频域信号的相位变化。频移定理则说明，如果对时域信号乘以复指数 ( e^{j\omega_0 t} )，则相当于在频域中平移信号。
对于时移定理，如果信号 ( f(t) ) 经过时间 ( t_0 ) 的延迟，则在频域中，信号 ( F(\omega) ) 的相位会增加 ( -\omega t_0 )。而频移定理表明，若信号 ( f(t) ) 乘以 ( e^{j\omega_0 t} )，则在频域中，信号频谱将向右（正频率方向）或向左（负频率方向）平移 ( \omega_0 )。
2.2.2 卷积定理和能量守恒定理
卷积定理表明，时域中两个信号的卷积对应于频域中它们各自频谱的乘积。能量守恒定理指出，对于能量信号，其总能量等于频域信号能量的总和。这两个定理在信号处理领域有着重要的应用。
例如，对于两个信号 ( f_1(t) ) 和 ( f_2(t) )，它们在时域的卷积定义为：
[ (f_1 * f_2)(t) = \int_{-\infty}^{\infty} f_1(\tau) f_2(t - \tau) d\tau ]
根据卷积定理，该卷积在频域中对应于：
[ F_1(\omega) \cdot F_2(\omega) ]
2.3 傅里叶变换的快速算法
2.3.1 快速傅里叶变换（FFT）的原理
快速傅里叶变换（FFT）是一种高效计算离散傅里叶变换（DFT）及其逆变换的算法。FFT算法的目的是减少计算量，特别是在处理大数据集时。
经典的DFT算法需要的时间复杂度为 ( O(N^2) )，而FFT算法将这个复杂度降低到 ( O(N \log N) )。Cooley-Tukey FFT算法是最著名的FFT算法之一，它基于分治法的原理，将原始信号分治为较小的信号块，这些信号块的DFT被递归地计算，最终合成整个信号的DFT。
2.3.2 FFT的应用和优化
在现代数字信号处理中，FFT应用非常广泛，包括图像处理、通信系统、音频信号处理等。为了进一步提高FFT的效率，通常会采用各种优化手段，比如：
- 位反转排序 ：在FFT算法中，减少数据重排的操作可以提高执行效率。
- 缓存优化 ：为了减少内存访问延迟，设计算法时可以考虑缓存的局部性原理。
- 并行计算 ：现代处理器提供了并行处理能力，可以利用并行计算提高FFT的执行速度。
例如，一个典型的FFT的应用是在音频信号的频谱分析中：
from scipy.fft import fft, fftfreq
import matplotlib.pyplot as plt
# 生成音频信号
fs = 44100 # 采样频率 44.1 kHz
t = np.linspace(0, 1, fs, endpoint=False)
signal = np.sin(2 * np.pi * 440 * t) # A4音符的440 Hz正弦波
# 计算FFT
frequencies = fftfreq(len(signal), 1/fs) # 频率轴的值
signal_fft = fft(signal)
# 绘制频谱
plt.figure(figsize=(10, 5))
plt.plot(frequencies[:fs//2], np.abs(signal_fft)[:fs//2]) # 只显示正频谱部分
plt.title("Frequency Spectrum")
plt.xlabel("Frequency (Hz)")
plt.ylabel("Amplitude")
plt.show()
通过执行上述代码，我们可以得到一个单音正弦波信号的频谱，这在音频分析和处理中非常有用。
3. z变换在信号分析中的应用
3.1 z变换的理论基础
3.1.1 z变换的定义和收敛域
在数字信号处理中，z变换是一种处理离散信号的重要数学工具。它将离散信号从时间域转换到复频域，帮助分析系统的稳定性和频率响应。z变换可以看作是傅里叶变换的一种推广，它引入了一个复变量z来表示信号的变换域。
z变换的定义公式为：
[ X(z) = \sum_{n=-\infty}^{\infty} x[n]z^{-n} ]
其中，( x[n] ) 是离散时间信号，( z ) 是复变量，( z^{-n} ) 表示信号在复频域中的位置。
收敛域 是z变换中的一个关键概念。它指的是z变换表达式中的求和在复平面上对z值收敛的区域。不同的信号会有不同的收敛域，而收敛域的确定对于逆变换以及系统的分析都至关重要。
3.1.2 z变换的性质和定理
z变换具有多种性质，这些性质与傅里叶变换类似，但包含了额外的时间域和复频域之间的关系。下面列举了几个重要的性质和定理：
- 线性 : 若 ( X(z) ) 和 ( Y(z) ) 分别是 ( x[n] ) 和 ( y[n] ) 的z变换，则 ( aX(z) + bY(z) ) 是 ( ax[n] + by[n] ) 的z变换。
- 时移 : 若 ( X(z) ) 是 ( x[n] ) 的z变换，则 ( z^{-k}X(z) ) 是 ( x[n-k] ) 的z变换。
- 卷积定理 : 若 ( X(z) ) 和 ( Y(z) ) 分别是 ( x[n] ) 和 ( y[n] ) 的z变换，则它们的卷积 ( x[n] * y[n] ) 的z变换是 ( X(z)Y(z) )。
- 能量守恒定理 : 信号的能量可以通过z变换来计算，和时域中的能量是相等的。
3.2 z变换在系统分析中的应用
3.2.1 系统函数和稳定性分析
在系统分析中，z变换通过系统函数来描述系统的行为，系统函数定义为系统的输出z变换与输入z变换的比值。公式如下：
[ H(z) = \frac{Y(z)}{X(z)} ]
系统函数H(z)不仅包含了系统响应的信息，而且还与系统的稳定性和频率响应紧密相关。通过观察H(z)在复平面上的极点分布，我们可以判断系统是否稳定。根据稳定性准则，一个因果系统的所有极点都必须位于复平面的单位圆内部。
3.2.2 系统的频率响应和相位延迟
系统函数H(z)在特定频率下的值称为频率响应，即H(e^(jω))。频率响应描述了系统对不同频率输入信号的放大或衰减能力。而相位延迟则提供了系统对信号相位的影响信息，对于理解信号在通过系统时的时间延迟至关重要。
3.3 z变换的逆变换方法
3.3.1 部分分式展开法
逆z变换的目标是将复频域信号转换回时间域。部分分式展开法是一种常用的逆变换技术，它基于将复杂的分式表达式分解为更简单的分式之和，这些简单的分式对应于基本的z变换对。逆变换的过程涉及将H(z)分解为分式，并查找对应于每一项的逆z变换。这通常需要通过查表法或长除法得到原序列。
3.3.2 长除法和查表法
长除法是另一种实现逆z变换的方法，适用于H(z)为真分式的情况。通过不断的除法操作，我们可以逐步将分式分解为更简单的项。查表法则依赖于已知的z变换对表，直接查找对应的时域信号。
在具体的操作中，通常需要先对H(z)进行多项式除法，然后找到合适的z变换对，最后通过相加得到时域中的原信号。
实际操作案例
表格示例：z变换对表
| z变换 (X(z)) | 时间域 (x[n]) | |----------------|-----------------| | (1/(1-az^{-1})) | (a^n u[n]) | | (z/(z-a)) | (a^n u[n]) | | (z/(z^2-az)) | (a^n \cos(\omega_0 n) u[n]) |
mermaid流程图：部分分式展开法步骤
graph TD
A[开始] --> B[得到H(z)]
B --> C{H(z)是否为真分式?}
C -- 是 --> D[应用长除法]
C -- 否 --> E[应用部分分式展开]
D --> F[查表得到\(x[n]\)]
E --> F
F --> G[结束]
代码块：使用部分分式展开法进行逆z变换
% 假设 H(z) = (2z^2 + 5z + 1) / (z^2 - z - 2)
syms z;
H_z = (2*z^2 + 5*z + 1) / (z^2 - z - 2);
% 执行部分分式展开
[num, den] = numden(H_z);
[partFrac, residues, poles] = residue(num, den);
% 查表法得到时域信号
% 这里我们假设部分分式展开后得到的项可以直接通过查表法得到其逆z变换
x_n = residues; % 实际情况下，需要根据z变换对表查找对应的时域序列
% 输出时域信号
disp(x_n);
在上述代码中， residue 函数用于计算部分分式展开的系数、残差和极点。需要注意的是，实际应用中，我们可能需要对每个部分分式展开后的项进行查表，以找到对应的时域信号。在查表过程中，需要确保所查找的表与z变换的变量z的范围和定义域匹配。
4. 数字滤波器设计方法
数字滤波器是数字信号处理的核心组件之一，其设计是实现信号处理任务的关键步骤。它们能够对信号进行频率选择性过滤，允许特定频率分量通过，同时抑制其他不需要的频率分量。本章将深入探讨数字滤波器的设计方法，涵盖滤波器的基本概念、IIR滤波器设计技术、FIR滤波器设计技术，以及实例应用。
4.1 数字滤波器的基本概念
4.1.1 滤波器的分类和性能指标
数字滤波器可以根据其频率响应分为两大类：无限脉冲响应（IIR）滤波器和有限脉冲响应（FIR）滤波器。IIR滤波器通常利用反馈结构实现，而FIR滤波器则只使用前馈结构。每种类型的滤波器都有其独特的性能指标，其中包括：
- 截止频率：决定信号可以传递或被阻止的频率点。
- 通带和阻带波动：滤波器对通带和阻带信号强度的允许波动。
- 转折带宽：从通带到阻带的过渡区域宽度。
- 延迟和相位响应：信号通过滤波器时的延迟量以及相位失真的程度。
4.1.2 滤波器的设计步骤和流程
设计数字滤波器的过程大致包括以下步骤：
- 定义需求：确定滤波器类型、性能指标以及应用环境。
- 选择合适的设计方法：基于需求选择适合的IIR或FIR滤波器设计方法。
- 计算滤波器系数：根据所选设计方法计算滤波器系数。
- 验证设计：使用频率分析工具检查滤波器频率响应是否满足性能指标。
- 模拟滤波器性能：通过模拟测试验证滤波器对信号的过滤效果。
- 实现滤波器：将滤波器系数转换成可执行代码或硬件描述语言（HDL）代码。
4.2 IIR滤波器设计技术
4.2.1 巴特沃斯、切比雪夫和椭圆滤波器设计
IIR滤波器设计中常见的几种类型是巴特沃斯、切比雪夫和椭圆滤波器。每种滤波器的设计方法各有特点：
- 巴特沃斯滤波器：提供最平滑的通带响应，但转折带宽相对较宽。
- 切比雪夫滤波器：在通带或阻带中提供更陡峭的衰减，但有振铃效应。
- 椭圆滤波器：同时在通带和阻带中提供最陡峭的衰减，但有最大的振铃效应。
4.2.2 模拟原型滤波器转换为数字滤波器
模拟滤波器设计的一个重要步骤是将其转换为数字滤波器。这通常通过双线性变换或脉冲不变变换完成。例如，双线性变换是一种常用的方法，可以将模拟滤波器的s平面映射到z平面，从而实现其数字版本。以下是双线性变换的一个简单示例代码块，它展示了如何从模拟频率响应到数字频率响应的转换过程：
import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import bilinear
def analog_to_digital(wa, fs):
# 将模拟频率转换为数字频率
wd = bilinear(wa, fs)
return wd
# 示例：将0到π范围内的模拟频率转换为数字频率
fs = 1.0 # 采样频率
wa = np.linspace(0, np.pi, 200) # 模拟频率范围
wd = analog_to_digital(wa, fs)
plt.figure(figsize=(10, 6))
plt.plot(wa, 'b', label='Analog Frequency')
plt.plot(wd, 'r', label='Digital Frequency')
plt.title('Analog to Digital Frequency Conversion')
plt.xlabel('Frequency [rad/sample]')
plt.ylabel('Amplitude')
plt.legend()
plt.grid()
plt.show()
在上述代码中，我们使用了 scipy.signal 库的 bilinear 函数将模拟频率 wa 转换为数字频率 wd ，并绘制出相应的转换结果。
4.3 FIR滤波器设计技术
4.3.1 线性相位FIR滤波器设计
FIR滤波器因其线性相位特性而广受欢迎，这种特性确保了信号通过滤波器时不会产生相位失真。设计线性相位FIR滤波器的关键在于正确选择滤波器的长度和系数。常见的设计方法有窗函数法和频率采样法。
4.3.2 窗函数法和频率采样法
- 窗函数法：通过在理想的频率响应上应用一个窗函数来实现一个平滑的过渡，从而减少吉布斯现象（Gibbs phenomenon）。常见的窗函数包括汉宁窗（Hanning）、汉明窗（Hamming）等。
- 频率采样法：直接在频率域指定滤波器系数，然后通过逆傅里叶变换得到时域系数。
以下展示了如何使用窗函数法设计一个FIR低通滤波器的代码示例：
from scipy.signal import firwin, freqz
# 设计一个低通FIR滤波器
N = 50 # 滤波器长度
fc = 0.3 # 截止频率（以Nyquist频率的一半为单位）
window = 'hamming' # 使用汉明窗
b = firwin(N, fc, window=window)
w, h = freqz(b, worN=8000)
plt.figure(figsize=(12, 4))
plt.plot(0.5*fs*w/np.pi, np.abs(h), 'b')
plt.plot(fc, 0.5*np.sqrt(2), 'ko')
plt.axvline(fc, color='k')
plt.xlim(0, 0.5*fs)
plt.title("Frequency Response of FIR Filter Design")
plt.xlabel('Frequency [Hz]')
plt.ylabel('Gain')
plt.grid()
plt.show()
在上述代码中， firwin 函数用于设计一个低通FIR滤波器，并使用 freqz 函数计算并绘制其频率响应。
本章详细介绍了数字滤波器设计方法的基础知识，涵盖了IIR和FIR滤波器的设计技术，以及它们在数字信号处理中的实际应用。数字滤波器是信号处理领域的基石，理解和掌握其设计原理对工程师来说至关重要。通过上述讨论和代码示例，我们可以看到数字滤波器设计的复杂性和精确性。设计一个有效的滤波器不仅需要深入的理论知识，还需要实践经验。在后续章节中，我们将通过实例分析进一步探讨数字滤波器的应用，并提供额外的学习资源来辅助学习。
5. 实际应用案例分析
5.1 音频信号处理实例
5.1.1 语音信号的增强与去噪
在处理语音信号时，一个常见的挑战是噪声的存在，这可能来自多种来源，如环境噪声、电磁干扰、设备噪声等。为了提高语音识别系统的性能或确保语音通信的清晰度，我们需要采取去噪措施。
一个有效的去噪方法是使用谱减法。谱减法的基本原理是从带噪声的信号的短时傅里叶变换（STFT）中减去噪声的估计频谱。在实际操作中，以下是使用Python实现谱减法的步骤：
import numpy as np
import matplotlib.pyplot as plt
from scipy.io import wavfile
from scipy.signal import stft, istft
# 加载噪声和干净的语音信号
fs, clean_signal = wavfile.read('clean_signal.wav')
fs, noisy_signal = wavfile.read('noisy_signal.wav')
# 确保信号是浮点数格式
clean_signal = clean_signal.astype(np.float32)
noisy_signal = noisy_signal.astype(np.float32)
# 短时傅里叶变换参数
window_size = 256
overlap = 128
nfft = 512
# 带噪声信号的STFT
f, t, Zxx_noisy = stft(noisy_signal, fs, nperseg=window_size, noverlap=overlap)
# 预估噪声功率谱密度
noise_power_spectrum = np.mean(np.abs(Zxx_noisy)**2, axis=1)
# 减去噪声估计，并应用增益
gain = 1.5
Zxx_enhanced = np.maximum(np.abs(Zxx_noisy) - gain * noise_power_spectrum, 0) * np.exp(1j * np.angle(Zxx_noisy))
# 逆短时傅里叶变换
cleaned_signal = istft(Zxx_enhanced, fs, nperseg=window_size, noverlap=overlap)[1]
# 写入去噪后的语音文件
wavfile.write('cleaned_signal.wav', fs, cleaned_signal.astype(np.int16))
上述代码首先加载了干净的语音信号和带噪声的信号，然后对带噪声的信号进行短时傅里叶变换并估计噪声的功率谱。接着通过减去噪声估计并应用增益来增强语音信号。最后，通过逆变换得到去噪后的语音信号，并将其保存为新的WAV文件。
5.1.2 音频信号的压缩和编码
音频压缩技术的目标是减小音频文件的大小，同时尽量减少对音质的影响。这种技术对于流媒体、音频下载和存储空间有限的应用至关重要。一个常见的音频编码标准是MP3。
音频压缩通常使用心理声学模型，该模型基于人耳对不同频率的敏感度。此外，利用信息论中的熵编码技术，可以进一步减小文件大小。
例如，使用Python的 pydub 库，我们可以轻松地对音频文件进行压缩：
from pydub import AudioSegment
# 加载音频文件
audio = AudioSegment.from_file("example.wav")
# 压缩音频文件，例如使用MP3格式，设置比特率为128kbit/s
mp3_audio = audio.export("compressed_example.mp3", format="mp3", bitrate="128k")
# 播放压缩后的音频，验证质量
mp3_audio.play()
这段代码读取了一个WAV格式的音频文件，然后将其导出为MP3格式，同时设置比特率为128kbit/s。通过设置不同的比特率，可以控制压缩的程度和音质的保持。
5.2 图像和视频信号处理实例
5.2.1 图像的边缘检测与特征提取
图像边缘检测是图像处理中的一个基本任务，它用于提取图像的重要特征，比如物体的轮廓。边缘检测的算法有许多，比如Sobel算子、Prewitt算子、Canny算子等。
下面是使用Canny边缘检测器提取图像特征的一个例子：
import cv2
from matplotlib import pyplot as plt
# 读取图像
image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE)
# 使用Canny算子进行边缘检测
edges = cv2.Canny(image, threshold1=100, threshold2=200)
# 显示原图和边缘检测结果
plt.subplot(121), plt.imshow(image, cmap='gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(edges, cmap='gray')
plt.title('Edge Image'), plt.xticks([]), plt.yticks([])
plt.show()
这段代码读取了一个灰度图像，然后应用了Canny边缘检测算法，最后使用matplotlib显示原始图像和边缘检测结果。
5.2.2 视频信号的帧间压缩与编码
视频信号的帧间压缩技术，也称为视频编码，旨在减少连续帧之间的数据冗余。它通常使用运动补偿和变换编码技术来实现。H.264和H.265是目前常用的视频编码标准。
下面是一个使用 ffmpeg 进行视频帧间压缩的简单示例：
ffmpeg -i input.mp4 -vcodec libx264 -crf 25 -c:a aac output.mp4
该命令将输入的 input.mp4 视频文件转换为H.264编码格式的 output.mp4 ， -crf 参数控制输出视频的质量，数字越小，质量越高，文件越大。
这些实例展示了数字信号处理在音频和视频处理方面的实际应用，以及如何通过各种技术优化这些过程。
简介：《数字信号处理》是电子工程领域中研究信号分析、处理和变换的重要课程。本课程内容深入，包括傅里叶变换、z变换和数字滤波器设计，为通信、音频和图像处理等领域的核心技术。课件涵盖理论知识及实际应用案例，如信号去噪中的傅里叶变换应用和数字滤波器设计步骤，旨在帮助学生掌握数字信号处理的基本理论与实用技术，为深入研究信号处理和通信系统打下基础。资源包含PPT、习题集和实验指导，增强学生对概念的理解及实际问题解决能力。
扫一扫
4196
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
