语音的声学特征

声学特征的提取与选择是语音识别的一个重要环节，声学特征的提取既是一个信息大幅度压缩的过程，也是一个信号解卷过程，目的是使模式划分器能更好地划分。由于语音信号的时变特性，特征提取必须在一小段语音信号上进行，也即进行短时分析。

1、线性预测系数LPC

线性预测分析从人的发声机理入手，通过对声道的短管级联模型的研究，认为系统的传递函数符合全极点数字滤波器的形式，从而n时刻的信号可以用前若干时刻的信号的线性组合来估计。通过使实际语音的采样值和线性预测采样值之间达到均方差最小LMS，即可得到线性预测系数LPC。

2、倒谱系数CEP

利用同态处理方法，对语音信号求离散傅立叶变换DFT后取对数，再求反变换iDFT就可得到倒谱系数，使用倒谱可以提高特征参数的稳定性。

数据挖掘和统计分析的基础都是数学理论。数据挖掘是直接从庞大的数据中挖掘；

而统计分析则是从庞大的数据（总体）中，用随机抽样的方法抽取一部分数据（样本）。

通过分析样本数据来推测总体特性（平均、比例、标准偏差等）的统计方法，被称为推测统计学。

另外，统计学中还有记述统计学，它是一种能够正确记述并把握获得的数据特性的方法。甚至可以说，记述统计学+其他=数据挖掘。

对于多变量线性回归分析，可以regress（）函数来预测变量系数。

基本用法：

[b,bint,r,rint,stats] = regress(y, X)

式中：b——变量系数

bint——bint为b的置信区间

r——残差向量

rint——rint为r的置信区间

stats——为1×3检验统计量，第一个是回归方程的置信度，即相关系数R²；第二个是F统计量；第三个是F统计量相应的p值

y——因变量向量，n×1向量

X——自变量向量，n×p向量

这是一篇硕士论文吧？ 说句实话，它的建模方法有些问题，就是样本量不够大。按道理必须要大于6个样本点建模的结果才具有代表性。

不过看你这么爱研究，原理大概说一下，因为篇幅问题和界面无法编辑。

1、将业务量作为因变量，业务收入作为自变量

2、建模之所以挑了二次曲线Y=aX^2+bX+C，主要是因为R^2值比较高，相当于作者先打q后画靶子。不过也不计较了。

3、直接用二次曲线建模是比较麻烦的，但是可以将变量进行线性转换，将X^2转换成另一个变量X', 然后将X'和X进行建模，模型为Y= aX'+bX+C

4、有2种方法可以通过Excel进行求解a和b和C

先画出折线图，然后将鼠标右键点击在折线图上，选择“插入趋势线”，然后再右键点击趋势线，调整模型的种类，显示R^2值等功能都勾选上就出现了。

或者安装数据分析模块，选择“回归”功能，然后选择自变量和因变量，再点击确认即可。

以上就是关于语音的声学特征全部的内容，包括:语音的声学特征、excel2010在数据挖掘的估计里如何进行线性回归预测分析、matlab中做回归分析，怎么获得每一个预测变量的系数和p值和R方~跪求函数~等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！