在语音信号数字处理过程中,语音编码技术是至关重要的。在数字化的信息时代中,语音编码有着广泛的应用前景,研究完善的语音编码技术是语音信号数字处理中的大势所趋。本文概要介绍了语音信号数字处理的基本原理,系统研究了语音信号数字处理中的语音编解码算法,重点分析了线性预测编码算法的改进,探讨了神经网络算法在语音编码算法改进中的应用。 在改进线性预测编码算法的过程中,为了提高再生语音的质量,借鉴了混合激励等其它一些方法来改善激励源。主要在于将清音的激励源信号高斯白噪声中加入两个正负的脉冲,目的是为了有效的改善爆破音的质量。浊音激励源信号则用经过低通滤波器的基音周期脉冲叠加通过高通滤波器的高斯白噪声来产生。本文通过引入似然失真比来衡量LPC系数相似度,减少了LPC系数的传输率,并采用基于分类的矢量量化编码方法,在保证再生语音质量的前提下可降低编码速率。 语音信号的产生是一个非线性过程,语音信号是非线性的,本文研究了基于神经网络算法的语音信号非线性预测编码算法,与传统的线性预测语音编码系统相比,基于神经网络非线性预测的语音编码系统实质上是将基于线性预测的语音编码系统中线性预测模型用神经网络来代替。通过这种改进方法,可以降低算法复杂度,提高语音编码算法的平均信噪比(SNR)。 矢量量化(VQ)是一种高效的数据压缩技术,在语音编码领域得到了广泛应用。基于神经网络实现的矢量量化器采用并行方式处理输入矢量,码字分散地存储在网络的连接权值中,因此码字的搜索编码过程速度快,效率也较高。本文通过应用神经网络算法,可以达到优化矢量量化的效果。 在各种语音编解码改进算法的实现过程中,我们采用了TI公司的TMS320C5402 DSK板为硬件平台及CCS集成开发环境。为了既提高程序效率,又提高编程效率,在编写整个系统软件时可以采用软件优化算法。