数字信号处理实验报告.doc

语音信号的数字滤波一、实验目的：1、掌握使用FFT进行信号谱分析的方法2、设计数字滤波器对指定的语音信号进行滤波处理二、实验内容设计数字滤波器滤除语音信号中的干扰(4 学时）1、使用Matlab的fft函数对语音信号进行频谱分析,找出干扰信号的频谱；2、设计数字滤波器滤除语音信号中的干扰分量，并进行播放对比三、实验原理通过观察原语音信号的频谱,幅值特别大的地方即为噪声频谱分量，根据对称性，发现有四个频率的正弦波干扰，将它们分别滤掉即可采用梳状滤波器，经过计算可知，梳状滤波器h［n］={1,A，1｝的频响｜H（w）|=|A+2cos(w)｜，由需要滤掉的频率分量的频响w,即可得到A，进而得到滤波器的系统函数h［n］而由于是在离散频域内进行滤波，所以令w=(2k＊pi/N）即可对原信号和四次滤波后的信号分别进行FFT变换，可以得到它们的幅度相应.最后，将四次滤波后的声音信号输出四、matlab代码clc；clear;close all;[audio_data，fs]=wavread（'SunshineSquarewav’）; %读取未处理声音sound(audio_data,fs);N = length(audio_data)；K = 0：2/N：2*（N—1)/N； ％K为频率采样点％sound（audio_data,fs)；％进行一次FFT变换FFT_audio_data=fft（audio_data）；mag_FFT_audio_data = abs(FFT_audio_data）；％画图figure(1)％原信号时域subplot（2，1，1)；plot(audio_data)；grid;title('未滤波时原信号时域’)；xlabel('以1/fs为单位的时间’）;ylabel（’采样值')；％FFT幅度相位subplot(2,1，2);plot(K，mag_FFT_audio_data）；grid；title('原信号幅度’);xlabel('以pi为单位的频率');ylabel（’幅度’）;％构造h［n]=｛1，A，1｝的梳状滤波器,计算A=2cosW,妻子W为要滤掉的频率％由原信号频谱可知要分四次滤波，滤掉频响中幅度大的频率分量%第一次滤波a = [1,0，0，0]；%y[n]的系数［temp,k]=max（FFT_audio_data);A1=-2*cos(2＊pi*k/N）；h1=[1，A1，1］；audio_data_h1 = filter(h1,a,audio_data）;FFT_audio_data_h1=fft（audio_data_h1）;%第二次滤波［temp1,k]=max（FFT_audio_data_h1)；A2=—2＊cos(2*pi＊k/N）;h2=[1,A2,1］;audio_data_h2 = filter(h2,a，audio_data_h1)；FFT_audio_data_h2=fft(audio_data_h2）；％第三次滤波[temp2,k］=max(FFT_audio_data_h2）;A3=-2＊cos(2＊pi*k/N);h3=［1，A3，1]；audio_data_h3 = filter(h3,a，audio_data_h2）;FFT_audio_data_h3=fft(audio_data_h3）；%第四次滤波[temp3,k］=max(FFT_audio_data_h3）;A4=—2*cos(2*pi*k/N）;h4=［1,A4，1］；audio_data_h4 = filter(h4,a,audio_data_h3);FFT_audio_data_h4=fft(audio_data_h4）;mag_FFT_audio_data_h1 = abs(FFT_audio_data_h1)；mag_FFT_audio_data_h2 =abs(FFT_audio_data_h2）；mag_FFT_audio_data_h3 =abs（FFT_audio_data_h3)；mag_FFT_audio_data_h4 =abs(FFT_audio_data_h4）;figure（2)%每次滤波后的时域结果subplot（2，2,1)；plot（audio_data_h1);grid;title（’第一次滤波后’)；xlabel（'以1/fs为单位的时间')；ylabel('时域采样值’）;subplot(2，2，2）；plot（audio_data_h2)；grid;title（'第二次滤波后');xlabel（’以1/fs为单位的时间’)；ylabel(’时域采样值’）；subplot(2，2,3)；plot（audio_data_h3);grid；title(’第三次滤波后’)；xlabel(’以1/fs为单位的时间')；ylabel('时域采样值'）；subplot（2，2，4）；plot(audio_data_h4)；grid;title（’第四次滤波后’);xlabel('以1/fs为单位的时间'）;ylabel（’时域采样值')；%每次滤波后的频域结果figure（3)subplot（2，2,1)；plot（K,mag_FFT_audio_data_h1）;grid；title（'第一次滤波幅度'）；xlabel（'以pi为单位的频率’)；ylabel（'幅度'）；subplot(2，2,2）;plot(K，mag_FFT_audio_data_h2)；grid;title('第二次滤波幅度'）；xlabel（'以pi为单位的频率');ylabel('幅度’);subplot（2,2，3）;plot(K,mag_FFT_audio_data_h3）；grid；title（’第三次滤波幅度')；xlabel（’以pi为单位的频率'）；ylabel（'幅度')；subplot(2，2,4);plot（K，mag_FFT_audio_data_h4）；grid;title（'第四次滤波幅度’)；xlabel（'以pi为单位的频率’）；ylabel('幅度’）；%输出音乐文件wavwrite（audio_data_h4，fs,'SunshineSquare_LG.wav’)；五、实验结果原信号的时域和频域图滤波后的时域图滤波后的频响六、总结 通过这次实验，对数字信号的频谱分析和滤波的含义有了更深的了解，以及更加形象具体的认识。

一开始遇到的困难是不知道如何寻找噪音的频率，后来发现频响中幅度大的点对应的w即为噪音频率。