lpc的gydF4y2Ba
线性预测滤波器系数gydF4y2Ba
语法gydF4y2Ba
描述gydF4y2Ba
(gydF4y2Ba
发现的系数gydF4y2Ba一个gydF4y2Ba
,gydF4y2BaggydF4y2Ba
]= lpc (gydF4y2BaxgydF4y2Ba
,gydF4y2BapgydF4y2Ba
)gydF4y2BapgydF4y2Ba
阶线性预测,这种冷杉滤波器预测实值时间序列的当前值gydF4y2BaxgydF4y2Ba
根据过去的样本。这个函数也回报gydF4y2BaggydF4y2Ba
预测误差的方差。如果gydF4y2BaxgydF4y2Ba
是一个矩阵,函数对待每一列作为一个独立的通道。gydF4y2Ba
例子gydF4y2Ba
输入参数gydF4y2Ba
输出参数gydF4y2Ba
更多关于gydF4y2Ba
算法gydF4y2Ba
lpc的gydF4y2Ba
决定提出的线性预测系数的减少预测误差在最小二乘意义上。它已经应用在滤波器设计和语音编码。gydF4y2Ba
lpc的gydF4y2Ba
使用自回归(AR)模型的自相关方法找到滤波器系数。生成的滤波器不可能精确地模型的过程,即使该数据序列实际上是一个基于“增大化现实”技术的正确的顺序的过程,因为自相关方法隐式窗口数据。换句话说,该方法假定信号样本的长度gydF4y2BaxgydF4y2Ba
都是0。gydF4y2Ba
lpc的gydF4y2Ba
计算最小二乘解gydF4y2BaXgydF4y2Ba一个gydF4y2Ba=gydF4y2BabgydF4y2Ba,在那里gydF4y2Ba
和gydF4y2Ba米gydF4y2Ba的长度是gydF4y2BaxgydF4y2Ba。使用正规方程求解最小二乘问题gydF4y2Ba 导致Yule-Walker方程gydF4y2Ba
在哪里gydF4y2BargydF4y2Ba= (gydF4y2Ba
rgydF4y2Ba(1)gydF4y2BargydF4y2Ba(2)……gydF4y2BargydF4y2Ba(gydF4y2BapgydF4y2Ba+ 1)gydF4y2Ba]gydF4y2Ba
是一个自相关估计gydF4y2BaxgydF4y2Ba
计算使用gydF4y2BaxcorrgydF4y2Ba
。Levinson-Durbin算法(见gydF4y2Ba莱文森gydF4y2Ba
)解决Yule-Walker方程gydF4y2BaOgydF4y2Ba(gydF4y2BapgydF4y2Ba2gydF4y2Ba)gydF4y2Ba失败了。gydF4y2Ba
引用gydF4y2Ba
[1]杰克逊,l . B。gydF4y2Ba数字滤波器和信号处理gydF4y2Ba。第二版。波士顿:Kluwer学术出版社,1989,页255 - 257。gydF4y2Ba
版本历史gydF4y2Ba
之前介绍过的R2006agydF4y2Ba
另请参阅gydF4y2Ba
aryulegydF4y2Ba
|gydF4y2Ba莱文森gydF4y2Ba
|gydF4y2Ba普龙尼gydF4y2Ba
|gydF4y2BapyuleargydF4y2Ba
|gydF4y2BastmcbgydF4y2Ba