25、语音信号分析：经验模态分解与加权非线性预测方法

语音信号分析：经验模态分解与加权非线性预测方法

在语音信号处理领域，为了更深入地探索语音参数，有两种方法值得关注，分别是经验模态分解（EMD）和加权非线性预测方法用于检测声门闭合实例（GCI）。下面我们将详细介绍这两种方法。

经验模态分解（EMD）

EMD 是一种信号处理技术，旨在提取信号中嵌入的振荡模式，而无需数据具有平稳性或线性。其目标是将时间序列分解为具有明确定义的瞬时频率的分量。

EMD 算法步骤

1. 识别输入信号的极值 ：找出输入信号 (x(k)) 的所有最大值和最小值。
2. 生成上下包络 ：通过对所有最大值和最小值进行三次样条插值，分别生成上包络和下包络。
3. 计算局部均值序列 ：对两个包络进行逐点平均，计算局部均值序列 (m(k))。
4. 获取 IMF 候选 ：从数据中减去 (m(k))，得到 IMF 候选 (d(k) = x(k) - m(k))。
5. 检查 IMF 属性 ：
   • 如果 (d) 不是 IMF（即不满足先前定义的属性），则用 (d(k)) 替换 (x(k))，并从步骤 1 重复该过程。
   • 如果 (d) 是 IMF，则计算残差 (m(k) = x(k) - d(k))。
6. 筛选残差信号 ：重复步骤 1 到步骤 5，