● 摘要
随着人们对语音质量要求的不断提高以及非线性理论的深入研究，在语音信号已被表明具有十分明显的非线性特征之后，语音信号的各种非线性模型开始建立。虽然相比于传统线性模型这些非线性模型均具有较好的预测效果，但是为了进一步提高语音信号的预测精度以及降低语音编码时的传码速率，就必须找到一种新的建模方法，从而将语音信号的处理技术达到更高的水平。因此，语音信号的非线性建模方法成为语音信号处理的研究重点。
本文在得到具有混沌特性的语音信号样本基础上，利用Volterra建立了语音信号混沌时间序列预测模型，并且完成了语音信号的编码。对于Volterra模型参数的求解，论文提出了一种非线性回归算法。通过该算法的应用，得到了具有自适应能力的语音信号混沌时间序列预测模型。最终通过实验对该模型进行了验证，结果表明，利用本文提出的非线性回归算法所获得的语音信号混沌时间序列预测模型相比于LPC模型具有更高的预测精度和更低的传码速率。主要工作如下：
1、语音信号的混沌识别。首先截取一段语音信号时间序列并对其进行分帧处理，然后利用最大李雅普诺夫指数判断出具有混沌特性的语音样本，最后利用互信息法和Cao方法计算延迟时间和嵌入维数重构语音信号相空间。
2、设计并完成了Lorenz时间序列的仿真实验。针对Lorenz时间序列，首先在求出延迟时间和嵌入维数的基础上，进行了相空间重构，然后进一步利用本文提出的非线性回归算法求得了Volterra预测模型，最后对预测结果进行了仿真。
3、完成了基于Volterra模型的语音信号预测建模及语音编码。在对语音信号进行混沌识别之后，利用Volterra模型对每帧数据进行建模预测，实现对语音信号的编码。设计并完成了语音信号的仿真实验。在实验过程中，通过与LPC模型的比较，验证了该模型在语音信号预测建模中的有效性。