Escolar Documentos
Profissional Documentos
Cultura Documentos
N (z)
D(z)
q
X
j=1
bj u(n j)
p
X
k=1
ak x(n k)
P
P
se N (z) = qj=0 bj z j e D(z) = pk=0 ak z k , a0 = 1
O modelo geral com plos e zeros denominado ARMA (do ingls Autoregressive Moving Average).
O modelo s com zeros que corresponde a ak = 0, k = 1, . . . , p designa-se
por modelo de mdia corrente ou MA (do ingls Moving Average).
O modelo s com plos que corresponde a bj = 0, j = 1, . . . , p designa-se
por modelo autoregressivo ou AR .
H(z) =
b0
p
P
1
ak z k
k=1
x(n) = b0 u(n) +
p
X
k=1
ak u(n k)
O modelo s com plos, de grande importncia como se viu para o modelamento do tracto vocal, pode ser interprtado da seguinte maneira:
u(n)
e(n)
x(n)
+
p
b0
a x(n-k)
k
k=1
Da figura pode inferir-se que uma combinao linear das amostras recentes
determinada e somando a entrada devidamente amplificada por b0 , produz
a sada num dado instante. Ou seja, a amostra actual do sinal x(n) pode
1
se considerar determinada pelo seu comportamento no passado recente uma predio linear - mais uma contribuio da entrada actual (por vezes
desiganada de inovao)
1.1
Predio linear
A hiptese que se faz para a predio linear que uma amostra x(n) de
um sinal pode ser aproximada por uma combinao linear de p amostras
anteriores:
x
(n) ' a1 x(n 1) + a2 x(n 2) + . . . + ap x(n p)
em que ai so os coeficientes de predio linear (LPC) de ordem p e e(n) =
x(n) x
(n)(= b0 u(n)) o erro de predio ou resduo de ordem p.
Definindi a0 = 1 o erro ser
e(n) =
p
X
k=0
ak x(n k)
(1)
Admitindo que o sinal tem valor mdio nulo, a varincia do erro de predio
pode ser determinada por
p
p
X
X
2e = E e(n)2 = E
ai x(n i)
aj x(j k) =
(2)
= E
=
i=0
p X
p
X
i=0 j=0
p X
p
X
i=0 j=0
j=0
ai aj x (j i)
T
a = [1, a1 , . . . , ap ]T = 1, aTp
x (0)
x (1)
. . . x (p 1)
x (p)
x (1)
...
. . . x (p 2) x (p 1)
x =
...
...
...
...
...
x (1)
x (0)
x (p) x (p 1) . . .
!2
p
X
ai x(n i)
min 2e = min E e(n)2 = min E (x(n)
a1 ,...ap
a1 ,...ap
a1 ,...ap
i=1
!2
p
X
E (x(n)
ai x(n i) = 0
ak
i=1
!2
p
X
ai x(n i) = 0
E
(x(n)
ak
i=1
"
!
#
p
X
E 2 x(n) +
ai x(n i) x(n k) = 0
i=1
" p
X
i=1
p
X
i=1
ai x(n i)x(n k)
= E [x(n)x(n k)]
ak x (k i) = x (k), k = 1, . . . , p
(3)
p
X
i=0
ai
p
X
j=0
aj x (j i) =
p
X
ai x (i)
i=0
definindo a0 = 1.
Se a excitao do modelo for feita com um rudo branco gausseano u(n)
de mdia nula e de varincia unitria preciso introduzir um ganho que
designmos por b0 . trivial verificar que b0 = p .
p
X
E [x(n k)e(n)] = E x(n k)
aj x(n j) =
j=0
p
X
j=0
p
X
j=0
Pp
j=0 aj x (k
j) = x (k) +
Pp
j=1 aj x (k
j) = 0
umed=0
u=1
x(n)
1/A(z)
xAR(n)
p
ak
anlise
e(n)
1/A(z)
1.2
x(n)
a1 ,...ap
a1 ,...ap
e(m)2 = min
a1 ,...ap
X
m
(x(m)
p
X
i=1
!2
ai x(m i)
!2
p
X
X
ai x(m i)
= 0
(x(m)
ak m
i=1
!2
p
X
X
ai x(m i)
= 0
(x(m)
ak
m
i=1
!
p
X
X
2 x(m)
ai x(m i) x(m k) = 0
m
i=1
p
X
i=1
ai
X
m
x(m i)x(m k) =
Definindo
x (i, k) =
X
m
X
m
x(m k)x(m)
x(m i)x(m k)
(4)
p
X
ai x (0, i)
i=0
1
0nN 1
w(n) =
.
0 n<0n>N 1
1
NX
1+p
e(m)2
m=0
e
x (i, k) =
N1+p
P
m=0
Uma vez que o sinal x(n) nulo fora da janela [0, N 1] no somatrio
anterior apenas os termos que vo de m = i at m = N 1 + k so diferentes
de 0.
N1+k
X
x(m i)x(m k)
x (i, k) =
m=i
x (i, k) =
x(n)x(n + i k)
n=0
ou
. . . Rx (p 1)
a1
a2
. . . Rx (p 2)
...
...
...
...
Rx (0)
ap
Rx (1)
Rx (2)
Rx (0)
Rx (1)
R
(0)
Rx (1)
x
...
...
...
Rx (p 1) Rx (p 2) Rx (p 3)
Rx (1)
Rx (2)
=
...
Rx (p)
= Ep =
p
X
ai Rx (i)
i=0
A matriz de autocorrelao de Toeplitz permitindo que se use o algoritmo de Durbin-Levinson que se indica mais frente.
6
N1
X
e(m)2
m=p
N1
X
e(m)2
m=0
1.3
Algoritmo de Durbin
2-Recurso
Para i = 2, . . . , p
ki = ai,i =
RX (1)
k1 = a1,1 =
RX (0)
2
E1 = 1 k1 RX (0)
1
RX (i)
Ei1
i1
X
j=1
2.1
m=
N1
X
m=0
x(m)w(n m)ej2km/N
. 5
. 5
- 0
. 5
- 1
. 5
. 8
. 6
. 4
. 2
- 0
. 2
- 0
. 4
- 0
. 6
- 0
. 8
- 1
- 1
- 2
- 3
Example 3
0
10
-2
10
-4
10
-6
10
-8
10
-10
10
500
1000
1500
2000
2500
3000
3500
4000
2
1
0
4 0 0 0
3 5 0 0
3 0 0 0
Frequency
2 5 0 0
2 0 0 0
1 5 0 0
1 0 0 0
5 0 0
0
0 . 0 5
0 . 1
0 . 1 5
0 . 2
0 .2 5
T im e
0 . 3
0 . 3 5
0 .4
0 . 4 5
Frequencia
2 5 0 0
2 0 0 0
1 5 0 0
1 0 0 0
5 0 0
5 0
2.2
1 0 0
1 5 0
2 0 0
2 5 0
T e m p o
3 0 0
3 5 0
4 0 0
4 5 0
5 0 0
X(z)
= ln X(z)
10
e define-se x
n o cepstro complexo associado ao sinal x.como a transfor
mada inversa de z de X(z)
X
x
n z i
X(z)
=
i
x
=u
+h
por algum processo de filtragem temporal
Se for possvel isolar u
ou h
possvel por aplicao da transformao inversa H 1 obter u ou h.
x(n)
^x(n)
^h(n)
H-1
h(n)
Algumas propriedades:
1. Se x(n) tem transformada de z racional
A
Q
(1 ai z i )
B
Q
(1 bi z i )
i=1
X(z) = K i=1
C
D
Q
Q
(1 ci z i ) (1 di z i )
i=1
(5)
i=1
ln |K|P
,n = 0
n )/n +
n )/n , n > 0
(a
(c
i
i i
P i n
n
i (bi )/n
i (di )/n , n < 0
(6)
e (0) , n = 0
x
2
xe (n) , n > 0
x
(n) =
0
,n < 0
Se x(n) real tambm x
(n) o ser. Neste caso
Re(X(z))
= ln X(z)
e para z = ej2f n
j2f n
j2f n
x
e (n) = Re(X(e
)) = ln X(e
)
j2f
n
) = X(e
)
mnima fase que verifica a relao Xm (e
N1
1 X
x(n)ejnk2/N
N n=0
N1
X
k=0
x(n)
2.2.1
DFT
Xk
ln |Xk | ejnk2/N
ln|.|
ln|Xk|
DFT-1
cn
g(n) a onda glotal de durao finita e que pode ser considerada como
composta por duas partes: uma parte de mnima fase g1 (n) e outra de
mxima fase g2 (n) com g(n) = g1 (n) g2 (n) ou
A
B
X
X
1
(1 i z )
(1 i z), |i | , | i | < 1
G(z) = g
i=0
i=0
e A, B < P
3
12
hc (n) a resposta impulsional do tracto vocal Exceptuando os sons nasais, o tracto vocal bem representado por um modelo de fase mnima
s com plos
rl (n) a resposta impulsional que traduz a radiao nos lbios. O
efeito de radiao pode ser representado por um sistema com um zero
Rl (z) ' 1 + z 1
w(n) uma janela temporal
Considerando que
h(n) = g(n) hc (n) rl (n)
ser
x(n) = (p(n) h(n)) .w(n)
O procedimento para efectuar a desconvoluo obriga a que o sinal observado seja uma convoluo, o que no o caso para x(n). No entanto
para janelas suficientemente grandes (dimenso M ) cobrindo um nmero
significativo de perodos do fundamental P, poder-se- tomar com grande
aproximao
x(n) = (p(n).w(n)) h(n) = pw (n) h(n)
fazendo
pw (n) = p(n).w(n) =
M1
X
k=0
w(kP )(n kP )
)
P (ej2f ) = W (ej2P f ) e pw (n) = w(n/P
O cepstro complexo vale
x
(n) = pw (n) + h(n)
O cepstro tem ento duas partes: uma correspondente resposta impulsional do sistema acstico que tem conribuies causais (de g1 (n), hc (n)
e de rl (n)) e a contribuio no causal de g2 (n).; a outra a contribuio
da excitao modificada pela janela e constituida por um trem de impulsos
espaados de P amostras. Pode-se afirmar que no cepstro se observam trs
zonas:
P < n < 0: componente no causal devida a g2 (n)
0 < n < P : componente causal devida ao tracto e g1 (n)
n ' kP : componente devida excitao peridica pw (n)
Verifica-se tambm que as duas primeiras componentes decrescem muito
mais depressa do que a ltima o que significa que a aplicao de uma janela
13
x
(n) = ln (X(ej2f ) = ln |X| + j(2f )
X
1
=
cn z n
A(z) n=1
d X
d
1
=
ln
cn z n
dz 1 A(z)
dz 1 n=1
d
ln(
dz 1
p
P
iai z i+1
i=1
2
p
P
ai z i
1
1
p
P
i=1
=
ai z i
i=1
p
P
p
X
d X
cn z n
dz 1 n=1
ai z i
i=1
ncn z n+1
n=0
iai z i+1
=
ncn z n+1
p
P
n=0
ai z i
1
i=1
i=1
p
X
i=1
iai z
i+1
ncn z
n+1
n=0
p
X
X
ai ncn z ni+1
n=0 i=1
P
1 n1
kck ank 1 n p
an +
n k=1
cn =
P
1 n1
kck ank
n>p
n k=1
14
(7)
Atendendo a 5 e 6
c0 = ln 2p
2.3
2.3.1
Os PARCOR ou coeficientes de correlao parcial so outro nome dos coeficientes de reflexo ki . A principal vantagem que apresentam rlativamene
aos ak reside na seguinte propriedade: para modelos estveis (com todos
os plos dentro do crculo unitrio) |ki | < 1, o que facilita a verificao de
estabilidade dos modelos, questo importante em codificao.
Um outro trunfo dos ki est na possibilidade de permitirem uma implementao usando uma estrutura em lattice.
As frmulas de transformao so:
LPC para PARCOR
kp = ap,p
P ara i = p, p 1, . . . , 1
1 ki
,1 i p
1 + ki
1 10i
,1 i p
1 + 10ii
15
2.3.3
P (z) + Q(z)
2
Os LSF so as posies angulares das razes dos polinmios P (z) e Q(z)
no intervalo 0 < w < .
Os LSF gozam das propriedades:
A(z) =
Coeficientes cepstrais
1+
n
L
sin( ) n = 1, . . . , L
2
L
0
n=
6 1, . . . , L
16
2.3.5
Exemplo
Apresenta-se a seguir as vrias alternativas para os parmetros de um semento de fala, calculadas com o programa Matlab que se anexa
0.25
0.2
0.15
0.1
0.05
0
-0.05
-0.1
-0.15
-0.2
-0.25
10
15
20
25
30
Coeficientes LPC
ordem= 1 1.000 -0.960
ordem= 2 1.000 -1.624 0.691
ordem= 3 1.000 -1.317 -0.031 0.444
ordem= 4 1.000 -1.263 -0.034 0.285 0.121
ordem= 5 1.000 -1.291 -0.100 0.292 0.415 -0.232
ordem= 6 1.000 -1.268 -0.140 0.264 0.424 -0.107 -0.097
ordem= 7 1.000 -1.258 -0.129 0.217 0.395 -0.091 0.045 -0.112
ordem= 8 1.000 -1.265 -0.126 0.211 0.420 -0.078 0.036 -0.191 0.063
ordem= 9 1.000 -1.272 -0.105 0.207 0.428 -0.123 0.014 -0.178 0.201 -0.109
ordem= 10 1.000 -1.295 -0.062 0.169 0.431 -0.150 0.105 -0.133 0.178 -0.380 0.214
Coeficientes PARCOR
0.960 -0.691 -0.444 -0.121 0.232 0.097 0.112 -0.063 0.109 -0.214
Coeficientes LAR
-1.693 0.738 0.415 0.106 -0.205 -0.084 -0.097 0.055 -0.095 0.188
Coeficientes Cepstrais
-8.030
1.295 0.900 0.635 0.158 0.165 -0.071 -0.052 -0.259 0.038 -0.109
-0.081 -0.004 -0.056 0.011 -0.014 0.015 -0.015 0.011 0.003 -0.010
0.009 -0.011 0.002 -0.005 -0.001
Coeficientes Cepstrais pesados
2.029 2.799 2.921 0.954 1.211 -0.611 -0.501 -2.729 0.429 -1.301
-0.989 -0.056 -0.699 0.131 -0.167 0.165 -0.157 0.109 0.027 -0.076
0.054 -0.052 0.005 -0.007 -0.000
Grfico dos coeficientes cepstrais (azul) e coeficientes cepstrais pesados (verm.)
3
-1
-2
-3
10
15
17
20
25
Coeficientes LSF
0.182 0.303 0.428 0.719 1.204 1.529 1.955 2.176 2.562 2.754
Coeficientes LSF expressos em Hz
232 386 545 915 1533 1947 2489 2771 3262 3506
Mapa da localizao dos LSF
1
0.8
0.6
Imaginary Part
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
-1
2.4
-0.5
0
Real Part
0.5
Estimao do pitch
Autocorrelao
Modelo LPC
Cepstro
2.5
2.5.1
x(n)
No
linearidade
|x(n)|
Filtro passa
baixo
px(n)
Exemplo de aplicao
1 0
1 0
1 0
1 0
1 0
1 0
-1
-2
-3
-4
-5
-6
1 0 0
2 0 0
3 0 0
4 0 0
5 0 0
6 0 0
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
4000
Frequency
3000
2000
1000
0
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
T im e
0 .3
0 .3 5
0 .4
0 .4 5
Sinais filtrados:
0 .5
0
-0 .5
0 .1 0
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0
-0 .1
0 .0 2 0
0
-0 .0 2
0 .0 5 0
0
-0 .0 5
0 .0 5 0
0
-0 .0 5
0 .0 2 0
0
-0 .0 2
19
Sinais rectificados:
0 .4
0 .2
0
0 .1 0
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 5
0
0 .0 2 0
0 .0 1
0
0 .0 4 0
0 .0 2
0
0 .0 4 0
0 .0 2
0
0 .0 2 0
0 .0 1
0
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 2
0 x
5 0
10
-3
0
0 .0 1 0
0 .0 0 5
0
0 .0 1 0
0 .0 0 5
0
0 .0 1 0
0 .0 0 5
0
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
0 .4 5
0 .5
0 .0 2
0 x
4 0
10
-3
2
0
0 .0 1 0
0 .0 0 5
0 x
5 0
0
0 .0 1 0
10
-3
0 .0 0 5
0
20
0 . 1
0 .1 5
0 . 2
0 . 2 5
0 . 3
0 . 3 5
0 . 4
0 . 4 5
0 .5
0 . 0 5
0 . 1
0 .1 5
0 . 2
0 . 2 5
0 . 3
0 . 3 5
0 . 4
0 . 4 5
0 .5
2.6
Medidas de distncia
Definition 5 Num espao vectorial E a distncia ou norma entre dois vectores x e y uma aplicao
d : (x, y) E E d(x, y) R+
0
d goza das seguintes propriedades
1. d(x, y) 0 e d(x, y) = 0 sse x = y
2. d(x, y) = d(y, x)
3. d(x, y) d(x, u) + d(u, y)
A distncia ser invariante se z d(x, y) = d(x + z, y + z)
21
2.6.1
Distncia espectral
S1 (f )
S2 (f )
"Z
fs /2
fs /2
|V (f )| df
#1/p
2 0
4 0
6 0
8 0
1 0 0
1 2 0
1 4 0
1 6 0
1 8 0
2 0 0
2 0
4 0
6 0
8 0
1 0 0
1 2 0
1 4 0
1 6 0
1 8 0
2 0 0
0 .4
0 .2
0
-0 .2
-0 .4
10
10
-5
-1 0
10
20
30
40
50
60
70
80
90
100
10
20
30
40
50
60
70
80
90
100
8
6
4
2
0
d2
2.9123
22
d
7.3575
Tambm podem ser calculadas as distncias espectrais partindo dos espectros dos modelos como se mostra nas figuras e resultados seguintes:
10
-1
10
-2
10
-3
10
-4
10
20
30
40
50
60
70
80
90
100
10
20
30
40
50
60
70
80
90
100
2
1 .5
1
0 .5
0
d1
0.6633
2.6.2
d2
0.8103
d
1.8379
Distncia cepstral
2
log S(f ) log S 0 (f )2 df =
dp =
fs /2
j2nf
j2nf
cn e
cn e
=
df
fs /2 n=
n=
2
Z fs /2 X
j2nf
0
cn cn e
=
df =
fs /2 n=
Z fs /2 X
j2(nm)f
df =
=
cn c0n cm c0
m e
Z
fs /2
fs /2 n= m=
=
=
=
0
0
cn cn cm cm
n= m=
X
X
n= m=
X
n=
fs /2
ej2(nm)f df =
fs /2
cn c0n cm c0
m (n m) =
cn c0n 2
cn c0n cm c0
=
m
n=
Definition 7 A distncia cepstral de ordem k entre dois sinais com coeficientes cepstrais reais cn e c0n , n = 0, 1, . . . dc definida por
d2c =
k
X
n=1
cn c0n
1 0
1 5
2 0
2 5
1 0
1 5
2 0
2 5
0 .4
0 .2
0
-0 .2
-0 .4
0 . 7
0 . 6
0 . 5
0 . 4
0 . 3
0 . 2
0 . 1
0
- 0 . 1
- 0 . 2
- 0 . 3
1 0
2 0
3 0
4 0
5 0
6 0
7 0
8 0
9 0
1 0 0
1 0
2 0
3 0
4 0
5 0
6 0
7 0
8 0
9 0
1 0 0
0 . 8
0 . 6
0 . 4
0 . 2
- 0 . 2
- 0 . 4
2.6.3
itakura saito
divergencia de kulback?
24
3
3.1
Programas Matlab
Durbin: Algoritmo de Durbin
3.2
z=w.*x(n0+1:n0+length(w));
nx=length(z);
figure(2)
plot(t,[zeros(1,n0) z zeros(1,length(x)-n0-length(z))])
%determinaao do espectro localizado
sx=abs(fft(z)).^2/nx;
%determinaao do modelo LPC de ordem 16
[a,g]=durbin(z,16);
%determina~ao do espectro do modelo LPC
[h,f]=freqz(g,a,nx/2,fs);
sxlpc=abs(h).^2;
figure(3)
semilogy(f,sx(1:nx/2)),hold on
semilogy(f,sxlpc,r)
hold off
3.3
3.4
3.5
27
if nargin~=1
error(numero de argumentos errado)
end
if rem(length(a),2)==0
error(ordem do modelo deve ser par)
end
a=a(2:length(a));
p=length(a);
P=[1 a-fliplr(a) -1];
Q=[1 a+fliplr(a) 1];
w=sort(angle(roots(P)));
t=sort(angle(roots(Q)));
for i=1:p/2
b(2*i-1)=t(p/2+i);
b(2*i)=w(p/2+i+1);
end
3.6
fprintf(1,%7.3f,g)
fprintf(1,\n)
fprintf(1,Coeficientes Cepstrais\n)
%Calculo dos coeficientes cepstrais
c=cepslpc(a,N);
c0=2*log(G);
fprintf(1,%7.3f\n,c0)
fprintf(1,%7.3f,c)
fprintf(1,\n)
fprintf(1,Coeficientes Cepstrais pesados\n)
%Aplicaao do filtro cepstral
w=N/2*sin((1:N)*pi/N);
c1=c.*w;
fprintf(1,%7.3f,c1)
fprintf(1,\n)
fprintf(1,Coeficientes LSF\n)
%Calculo dos LSF
b=lsf(a);
fprintf(1,%7.3f,b)
fprintf(1,\n)
fprintf(1,Coeficientes LSF expressos em Hz\n)
b1=b*fs/2/pi;
fprintf(1,%7.0f,b1)
fprintf(1,\n)
3.7
Banco de filtros
subplot(2,1,1),plot(t,x)
subplot(2,1,2),specgram(x,[],fs)
%calculo do filtro passa baixo
[a1,b1]=butter(3,1/100);
y=x;
x=zeros(N, length(y));
%Filtragem
figure (3)
for i=1:N
x(i,:)=filter(b(i,:),1,y);
subplot(N,1,i),plot(t,x(i,:))
end
%Rectificaao
figure(4)
x=abs(x);
for i=1:N
subplot(N,1,i),plot(t,x(i,:))
end
%filtragem passa baixo
figure(5)
for i=1:N
x(i,:)=filter(a1,b1,x(i,:));
subplot(N,1,i),plot(t,x(i,:))
end
%Decimaao por R
R=100;
figure(6)
for i=1:N
for j=1:R:length(x)
z(i,1+(j-1)/R)=x(i,j+R/2);
end
[m,n]=size(z);
t=(1:n)/(fs/R);
subplot(N,1,i),plot(t,z(i,:))
end
%Visualiza~ao da imagem final
figure(7)
f=(1:m)/m*fs/2;
imagesc(t,f,20*log10(abs(z)+eps));axis xy; colormap(jet)
3.8
3.9
c2=cepslpc(a2,length(x2)/2);
d2=sum((c1(1:N)-c2(1:N)).^2);
%figure(2)
%plot(c1(2:length(x1)/2)),hold on,plot(c2(2:length(x2)/2),r);
%hold off
d1=sqrt(d1);d2=sqrt(d2);
32