计算共振峰频率特征时如何确定线性预测系数（ LPC ）中的滤波器阶数？

Question

我是信号处理方面的新手，正在尝试计算不同 .wav 文件的共振峰频率特征。

为了计算共振峰频率，我需要三个参数值：

线性预测系数 (LPC)
根
角度

我正在尝试使用 python 中的 librosa.core.lpc 计算线性预测系数 ( LPC )。它需要两个参数：

librosa.core.lpc(y, order)

我有 Y 但我不知道如何计算顺序，我有很多 .wav 文件，我必须设置顺序才能从所有文件中提取特征。如何确定所有wav文件计算LPC的顺序？

接下来的两件事根和角可以像这样轻松计算：

 rts = numpy.roots(A)
 rts = [r for r in rts if numpy.imag(r) >= 0]

angz = numpy.arctan2(numpy.imag(rts), numpy.real(rts))

# Get frequencies.
Fs = spf.getframerate()
frqs = sorted(angz * (Fs / (2 * math.pi)))

提前致谢！

Answer 1

应该使用的 LPC 顺序背后没有确切的科学依据，但有两个经验法则：

人们期望找到的共振峰数量的两倍，加上二。 Systematic errors in the formant analysis of steady-state vowels 中提供的解释：每个共振峰对应一个阻尼正弦波，可以由一对具有正确频率和阻尼的根捕获（其中一个根是另一个根的复共轭） ).这两个额外的系数“以防万一”吸收信号中的任何剩余能量
以 kHz 为单位的采样频率。如果 Fs=16000 即 16kHz，将顺序设置为 16。

第一种方法似乎更受欢迎，例如在 Mathworks page.

优化注意事项

与问题无关，但我忍不住提出对代码进行两个小调整以使其更加麻木：

import numpy as np
import librosa

A = librosa.core.lpc(y, 12)
rts = np.roots(A)
rts = rts[np.imag(rts) >= 0]
angz = np.arctan2(np.imag(rts), np.real(rts))
frqs = angz * fs / (2 *  np.pi)
frqs.sort()

计算共振峰频率特征时如何确定线性预测系数（ LPC ）中的滤波器阶数？

How to decide filter order in Linear Prediction Coefficients ( LPC ) while calculating formant frequency features?

python

audio

scipy

signal-processing

librosa

优化注意事项