g729源码分析-3-基音周期搜索(上)

2024-03-16 00:58

本文主要是介绍g729源码分析-3-基音周期搜索(上),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

基音周期搜索,是自适应码本搜索的一个重要依据,
自适应码本的搜索就是在基音周期附近进行的.


和g723的基音周期搜索不同,g729的基音周期搜索搜索也更为精细


g729把基音周期的搜索分成3段,取了每一段中自相关的极值,
三段区间分别为[20,39] [40,79] [80,143]
这三个区间的权值是不一样的,以0.85递减
这个选取归规则可以从itu的文档里看出来,选出基音周期的值较小.
避免选则了基音周期的倍数


另外,itu的基音周期较短的情况下,基音周期的搜索会精细的分数级
这里就涉及到一些升抽样的算法,在一些处理上,itu也采用了一些取巧
的做法,这里就分数基音周期的情况做一些分析


首先搜索出整数的基音周期,方法上面已经讲述了
//lsc 开环基音搜索,分成三个区间搜索,不一定会取最大的,而是尽量取基音周期小的,比例阀值大约为0.85
  T_op = Pitch_ol(wsp, PIT_MIN, PIT_MAX, L_FRAME);


然后是在整数基音周期附近,搜索分数基音周期,解析度为1/3


先来回顾一来如何进行升抽样的.
我们先来回顾一些信号处理里面的调制与抽样的一些性质.


在离散的抽样处理,实际上是用一个等间隔的单位信号与被抽样的信号进行乘积(这点很容易理解)
即,设 x[n]是原始离散信号 对它进行每隔3个点一次抽样,抽样的信号可以表示为
y[n]=x[n]*t[n], 其中t[n]=1当n%3==0


再从频域角度来看y(e^jw) x(e^jw) t(e^jw) 我们知道时域上的乘积对应频域的卷积(这个奥本海姆的信号与系统中有详细推导)
可以证明t(e^jw)在频域上也是一系列的冲激串组合
y(e^jw)实际是x(e^jw)在频域上复制n份.如果抽样满足香农定理,即只要对y[n]进行低通滤波,就可以完全是从y[n]中恢复x[n]
即所谓的升抽样.


当然在g729中不用考虑满不满足香农定量,我们要做的就是升抽样,而且很显然,我们需要的滤波器在频域上就是一个矩形.
它的傅里叶级就是sinc函数(奥氏的信号与系统有详细推导)
于是我们就在g729中看到了相应的升抽样代码,就是将时域的离散信号(原始语音抽样或者相关)与sinc的值(定义在一个数组inter_3)
相乘,就完成了升抽样,然后进行分数级别的基音周期搜索.

这篇关于g729源码分析-3-基音周期搜索(上)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/813826

相关文章

Android 缓存日志Logcat导出与分析最佳实践

《Android缓存日志Logcat导出与分析最佳实践》本文全面介绍AndroidLogcat缓存日志的导出与分析方法,涵盖按进程、缓冲区类型及日志级别过滤,自动化工具使用,常见问题解决方案和最佳实... 目录android 缓存日志(Logcat)导出与分析全攻略为什么要导出缓存日志?按需过滤导出1. 按

Linux中的HTTPS协议原理分析

《Linux中的HTTPS协议原理分析》文章解释了HTTPS的必要性:HTTP明文传输易被篡改和劫持,HTTPS通过非对称加密协商对称密钥、CA证书认证和混合加密机制,有效防范中间人攻击,保障通信安全... 目录一、什么是加密和解密?二、为什么需要加密?三、常见的加密方式3.1 对称加密3.2非对称加密四、

MySQL中读写分离方案对比分析与选型建议

《MySQL中读写分离方案对比分析与选型建议》MySQL读写分离是提升数据库可用性和性能的常见手段,本文将围绕现实生产环境中常见的几种读写分离模式进行系统对比,希望对大家有所帮助... 目录一、问题背景介绍二、多种解决方案对比2.1 原生mysql主从复制2.2 Proxy层中间件:ProxySQL2.3

python使用Akshare与Streamlit实现股票估值分析教程(图文代码)

《python使用Akshare与Streamlit实现股票估值分析教程(图文代码)》入职测试中的一道题,要求:从Akshare下载某一个股票近十年的财务报表包括,资产负债表,利润表,现金流量表,保存... 目录一、前言二、核心知识点梳理1、Akshare数据获取2、Pandas数据处理3、Matplotl

python panda库从基础到高级操作分析

《pythonpanda库从基础到高级操作分析》本文介绍了Pandas库的核心功能,包括处理结构化数据的Series和DataFrame数据结构,数据读取、清洗、分组聚合、合并、时间序列分析及大数据... 目录1. Pandas 概述2. 基本操作:数据读取与查看3. 索引操作:精准定位数据4. Group

MySQL中EXISTS与IN用法使用与对比分析

《MySQL中EXISTS与IN用法使用与对比分析》在MySQL中,EXISTS和IN都用于子查询中根据另一个查询的结果来过滤主查询的记录,本文将基于工作原理、效率和应用场景进行全面对比... 目录一、基本用法详解1. IN 运算符2. EXISTS 运算符二、EXISTS 与 IN 的选择策略三、性能对比

MySQL 内存使用率常用分析语句

《MySQL内存使用率常用分析语句》用户整理了MySQL内存占用过高的分析方法,涵盖操作系统层确认及数据库层bufferpool、内存模块差值、线程状态、performance_schema性能数据... 目录一、 OS层二、 DB层1. 全局情况2. 内存占js用详情最近连续遇到mysql内存占用过高导致

深度解析Nginx日志分析与499状态码问题解决

《深度解析Nginx日志分析与499状态码问题解决》在Web服务器运维和性能优化过程中,Nginx日志是排查问题的重要依据,本文将围绕Nginx日志分析、499状态码的成因、排查方法及解决方案展开讨论... 目录前言1. Nginx日志基础1.1 Nginx日志存放位置1.2 Nginx日志格式2. 499

Olingo分析和实践之EDM 辅助序列化器详解(最佳实践)

《Olingo分析和实践之EDM辅助序列化器详解(最佳实践)》EDM辅助序列化器是ApacheOlingoOData框架中无需完整EDM模型的智能序列化工具,通过运行时类型推断实现灵活数据转换,适用... 目录概念与定义什么是 EDM 辅助序列化器?核心概念设计目标核心特点1. EDM 信息可选2. 智能类

Olingo分析和实践之OData框架核心组件初始化(关键步骤)

《Olingo分析和实践之OData框架核心组件初始化(关键步骤)》ODataSpringBootService通过初始化OData实例和服务元数据,构建框架核心能力与数据模型结构,实现序列化、URI... 目录概述第一步:OData实例创建1.1 OData.newInstance() 详细分析1.1.1