在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

我是新的信号处理和试图计算不同的.wav文件的共振峰频率特征。

对于计算共振峰频率，我需要三个参数值：

• 线性预测系数
• 根部
• 夹角

我试图在python中使用librosa.core.lpc计算线性预测系数。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，我必须设置顺序从所有文件中提取特性。如何确定所有wav文件的顺序来计算LPC？

接下来的两件事--根和角度--可以像这样简单地计算出来：

 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)))

提前谢谢你！

Answer 1

LPC的使用顺序没有确切的科学依据，尽管有两条经验法则：

1. 是一个人期望找到的数量的两倍，再加上两个。如稳态元音共振峰分析中的系统误差中所提供的解释:每个共振峰对应于一个阻尼正弦波，它可以被一对具有正确频率和阻尼的根捕获(其中一个根部是另一个根的复杂共轭)。这两个额外的系数是“以防万一”，以吸收信号中的剩余能量。
2. kHz中的采样频率。如果Fs=16000即16kHz，则将顺序设置为16。

第一种方法似乎比较流行，例如在Mathworks页面上进行了描述。

关于优化的说明

与这个问题无关，但我忍不住对代码进行了两个小的修改，使其变得更加粗俗：

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()