Li Kang 笔记本

数字信号处理最常见的面试题，请简述FIR和IIR的区别。其中的一个区别是FIR可以方便地实现线性相位。那这个线性相位指的是什么呢？先说结论，**线性相位能保证信号中各频率成分的相对相位关系不改变。通俗解释是：信号经过滤波器后，各个频率分量的延时时间是一样的**。...

MiniDSP关于车载声学的测试一共有四篇文章，本文是对第三第四篇的总结。主要阐述了车载音频调试的基本步骤，均衡器设置技巧以及对各频带的分析。原文链接放在最后。

MiniDSP关于车载声学的测试一共有四篇文章，本文是对第一篇的总结。主要阐述了六种车内声学测试的布置方式以及各自的优缺点和适用场景。原文链接放在最后。

本文分为两个部分，第一部分是基于分析-合成的线性预测编码模型，对模型的误差加权，合成滤波器进行阐述。第二部分增加了长时预测器，分析-合成线性预测编码模型得到了改进。长时预测器又有开环和闭环两种方法，讲完后线性预测语音编码的基础就完成了。第三部分主要解释模型的实现方式，即CELP。

一文读懂最小相位滤波器和线性相位滤波器1. 线性相位滤波器一定更适合音频吗？2. 最小相位定义2.1 最小相位多项式2.2 最大相位滤波器2.3 最小相位意味最快的衰减3. 最小相位/全通分解4. 线性相位滤波器一定更适合音频吗？前一篇博客写提到了滤波器的线性相位，与之对应的是最小相位滤波器。本文就最小相位滤波器和线性相位滤波器展开讨论一番。1. 线性相位滤波器一定更适合音频吗？% ellipt.m - Compare minimum-phase and zero-phase%

线性预测的输出是对激励信号的很好的近似线性预测利用过去的样本估计当前的样本。对于voiced signal，当没有激励信号的时候，误差信号接近零。当有激励信号时，线性预测便无法准确预测当前信号，误差特别大，此时就是激励出现的地方。即除了在每个基音周期（pitch period）起始位置，其他位置的信号都可以被过去的信号来预测。对于unvoiced signal，误差信号幅度会介于voice signal的有激励信号和无激励信号的中间水平。

线性预测LPC是常用的语音分析工具，主要用于语音信号编解码。深入浅出线性预测编码系列博客分为三篇。第一篇，讲述线性预测建模的数理基础，讲述vocal tract和linear predictor，然后讲述线性预测系数计算，Levinson-Durbin算法。并演示元音“a”的LPC过程，分别提供了Matlab 和 Python代码。第二篇，讲述LPC系数的物理意义，反射系数的物理意义。第三篇，讲述LSP系数和LSF系数的物理意义和LSF系数量化。

数字信号处理最常见的面试题，请简述FIR和IIR的区别。百度一下，网上能搜到很多答案。比如1. FIR能实现线性相位响应，IIR不能实现线性相位。2. 实现同一量级的幅度响应FIR需要比IIR更高的阶数，更高的阶数意味着更多运算。3. FIR因为没有极点，在位宽有限系统，即定点系统中更稳定。IIR为了实现更加极限的幅度响应，需要更多的位宽。

一文读懂FFT，补零对FFT的影响数字信号处理离不开频域分析，一定会用到FFT。做FFT又经常会有补零的操作，那么补零对FFT有什么影响？结论放在前面。两个结论1. 进行zero padding只是增加了数据的长度，而不是原信号的长度。并不能增加频谱分辨率，只相当于频域插值。2. 进行zero padding 确实增加了频域的分辨率，但是得到的信号频谱已经不是我们想要分析的信号频谱了。就好...

数字信号处理离不开频域分析，一定会用到FFT。做FFT之前又会用到窗函数。为什么FFT需要加窗呢？结论放在前面。FFT假设输入信号是**整数**个**周期**信号。如果输入信号满足条件，则不需要加窗。但实际上这两个条件几乎不能满足，FFT的这个假设会导致频谱泄露，为了减少频谱泄露需要用到窗函数。

一文读懂FFT，海宁窗（hann）和汉明窗（hamming）的区别数字信号处理离不开频域分析，一定会用到FFT。做FFT之前又会用到窗函数。那么各种窗函数之间有什么区别呢？结论放在前面。窗函数有两个评价指标，主瓣和旁瓣。如果分析对象是单一频率信号的幅度分辨率比频域分辨率更高，则需要宽的主瓣。如果分析对象是单一频率信号，频域分辨率要求比幅度分辨率更高，则需要更窄的主瓣。...