为随机信号建立参数模型是研究随机信号的一种基本方法。在对语音信号进行编码时,往往通过分析不同种类语音信号的特点及产生,用数学模型表示信源,而编码器根据输入信号计算模型参数,然后对模型参数进行编码,也就是说,只需要对编码后的参数进行传送(而不需要传送语音信号本身),解码器通过收到的模型参数,直接利用相同的数学模型即可重建出语音信号,大大减小了传送的数据量。
一、AR模型
1.概念
我们认为随机信号x(n)是由白噪声w(n)激励某一确定系统的响应,只要w(n)的参数确定了,研究随机信号就可以转化成研究产生随机信号的系统。
对于平稳随机信号,主要有三种常用的线性模型:AR(自回归)模型、MA(滑动平均)模型和ARMA(自回归滑动平均)模型。
AR模型中,随机信号x(n)由本身的若干次过去值x(n−k)和当前的激励值w(n)线性组合产生。
x ( n ) = w ( n ) − ∑ k = 1 p a k x ( n − k ) x(n) = w(n) - \sum_{k=1}^{p} a_{k}x(n-k) x(n)=w(n)−k=1∑pakx(n−k)
系统函数为
H ( x ) = 1 1 + ∑ k = 1 p a k z − k H(x) = \frac{1}{1+\sum_{k=1}^{p}a_{k}z^{-k}} H(x)=1+∑k=1pakz−k1
其中,ppp为系统阶数。
该模型系统函数中只有极点,无零点,也称为全极点模型。系统由于极点的原因,要考虑到系统的稳定性,因而要注意极点的分布位置。可表示为AR( p )
2.AR模型参数与自相关函数的关系推导
二、实例
【例1】已知自回归信号模型AR(3)为:
x ( n ) = 14 24 x ( n − 1 ) + 9 24 x ( n −