Параметры линейного предсказания: раскусим код звука!

Линейное предсказание (англ. Linear Prediction), это вычислительная процедура, позволяющая по набору предыдущих отсчётов сигнала предсказать текущий отсчёт. В цифровой обработке сигналов (DSP) линейное предсказание используется в самых разных задачах: от сжатия речи до спектрального анализа и шумоподавления.

Базовая модель

Пусть s(i) — анализируемый дискретный сигнал. Оценка текущего отсчёта ŝ(i) формируется как линейная комбинация N предшествующих отсчётов:

ŝ(i) = Σ_k=1^N α_k · s(i‑k)

Здесь α_k, коэффициенты линейного предсказателя (Linear Predictive Coefficients, LPC). Параметры модели, которые необходимо определить, включают:

Порядок предсказания N — количество используемых прошлых отсчётов.
Коэффициенты предсказания α_k — веса, определяющие влияние каждого из предыдущих отсчётов.
Ошибка предсказания e(i) = s(i) – ŝ(i).
Отражательные (парциальные корреляционные) коэффициенты κ_k — альтернативное представление LPC, удобное для устойчивой рекурсии.
Коэффициенты автокорреляции R(k), статистика, необходимая для оценки α_k методом автокорреляции.

Критерий оптимальности

Задача линейного предсказания состоит в том, чтобы подобрать набор коэффициентов {α_k}, минимизируя среднеквадратичную ошибку предсказания:

⟨(s(i) – ŝ(i))²⟩ → min

Минимизация обычно производится в среднем (по всей последовательности) и приводит к системе линейных уравнений, которую называют уравнениями Яула‑Уокера (Yule‑Walker).

Методы оценки коэффициентов

Существует несколько широко используемых алгоритмов получения LPC‑коэффициентов:

Метод автокорреляции (autocorrelation method). Требует вычисления автокорреляционных функций R(k) и решения уравнений Яула‑Уокера.
Метод ковариации (covariance method). Не требует предположения о стационарности сигнала и использует данные только из текущего окна.
Алгоритм Левинсона‑Дерби (Levinson‑Durbin). Быстрая рекурсивная процедура, решающая уравнения Яула‑Уокера за O(N²) операций и одновременно выдающая отражательные коэффициенты κ_k.
Алгоритм Барухи‑Таркиса (Burg). Минимизирует суммарную предсказательную ошибку в обеих направлениях (прямой и обратной), обеспечивая более устойчивые оценки при небольших выборках.

Отражательные коэффициенты (PARCOR)

Отражательные коэффициенты κ_k (часто называют PARCOR‑коэффициентами) обладают рядом полезных свойств:

Они находятся в диапазоне –1 < κ_k < 1, что гарантирует стабильность предсказателя.
Параметры κ_k удобно использовать в кодировании речи, так как их квантование приводит к меньшим искажением спектра.
Прямой переход от LPC к κ и обратно осуществляется рекурсивными формулами, использующими алгоритм Левинсона‑Дерби.

Связанные представления коэффициентов

Для различных задач удобно преобразовывать LPC‑коэффициенты в другие формы:

Коэффициенты линейных спектральных частот (LSF, LSP) — позволяют легко интерполировать модели и обеспечивают хорошую монотонность при изменении параметров.
Кепстрные (cepstral) коэффициенты — применяются в системах распознавания речи и анализе спектральных характеристик.
Отражательные коэффициенты (RC) — альтернативный способ представления, часто используемый в адаптивных фильтрах.

Практическое значение порядка N

Выбор порядка предсказания N имеет решающее значение для качества модели:

Порядок N	Плюсы	Минусы
Малый (N ≤	Быстрая обработка, небольшие требования к памяти.	Недостаточная точность спектрального представления, плохое качество синтезированного сигнала.
Средний (10 ≤ N ≤ 16)	Оптимальный компромисс для большинства задач речевой кодировки (например, LPC‑10, LPC‑12).	Увеличивается вычислительная нагрузка.
Большой (N ≥ 20)	Высокая точность спектрального моделирования, подходит для анализа музыкальных сигналов.	Риск переобучения, более чувствительно к шуму.

Применения параметров линейного предсказания

Кодирование речи (LPC‑кодирование) — параметры α_k и ошибка e(i) передаются вместо оригинального сигнала, что сильно уменьшает битрейт.
Синтез речи — генерация искусственного голоса из LPC‑коэффициентов и возбуждающего сигнала (пульс‑шумовой модель).
Анализ спектра — LPC‑коэффициенты позволяют получить полюсную модель спектра, полезную в биомедицинских приложениях (ЭЭГ, ЭКГ).
Шумоподавление — предсказание текущего отсчёта и вычитание его из оригинального сигнала позволяет уменьшить шумовую составляющую.
Экономия ресурсов в мобильных и встроенных системах — благодаря компактному представлению сигнала в виде небольшого набора параметров.

Алгоритм расчёта LPC‑коэффициентов (пример на Python)

Ниже приведён упрощённый пример расчёта коэффициентов методом автокорреляции и рекурсии Левинсона‑Дерби.

import numpy as np

def autocorr(x, order):
 """Вычисление автокорреляции до заданного порядка."""
 r = np.zeros(order + 1)
 for k in range(order + 1):
 r[k] = np.sum(x[:len(x)-k] * x[k:])
 return r
def levinson_durbin(r, order):
 """Алгоритм Левинсона‑Дерби."""
 a = np.zeros(order + 1)
 e = r[0]

 for i in range(1, order + 1):
 acc = r[i]
 for j in range(1, i):
 acc += a[j] * r[i ー j]
 k = -acc / e # отражательный коэффициент
 a[i] = k
 for j in range(1, i):
 a[j] = a[j] + k * a[i ー j]
 e = (1 ─ k  k) # обновление ошибки
 return a[1:], e # возвращаем LPC‑коэффициенты и ошибку

signal = np.random.randn(1024) # случайный сигнал
order = 12
r = autocorr(signal, order)
lpc, err = levinson_durbin(r, order)

print("LPC‑коэффициенты:", lpc)
print("Ошибка предсказания:", err)

Параметры линейного предсказания — это фундаментальные характеристики, позволяющие компактно описать спектр и временную структуру цифровых сигналов. Выбор порядка N, точный расчёт коэффициентов α_k и их альтернативных представлений (κ, LSF, кепстрные коэффициенты) определяют качество и эффективность применения LPC в задачах сжатия, синтеза, анализа и подавления шума.

Список литературы

Солонина А.И., Улахович Д.А. и др. Основы цифровой обработки сигналов: курс лекций. 2-е изд., СПб.: БХВ‑Петербург.
Wikipedia: Линейное предсказание (дата обращения: ).
J. G. Proakis, D. G. Manolakis. Digital Signal Processing: Principles, Algorithms, and Applications. 4th ed., Pearson, 2006.