Python 在计算共振峰频率特征时，如何确定线性预测系数（LPC）中的滤波器顺序？

我是信号处理方面的新手，尝试计算不同.wav文件的共振峰频率特征

为了计算共振峰频率，我需要三个参数值：

• 线性预测系数（LPC）
• 根
• 角度

我正在尝试使用python中的librosa.core.LPC计算线性预测系数（LPC）。它需要两个参数：

librosa.core.lpc(y, order)

我有Y，但我不知道如何计算顺序，我有许多.wav文件，我必须设置顺序从所有文件中提取特征。如何确定所有wav文件计算LPC的顺序

下面两件事根和角可以像这样轻松计算：

 rts = numpy.roots(A)
 rts = [r for r in rts if numpy.imag(r) >= 0]

angz = numpy.arctan2(numpy.imag(rts), numpy.real(rts))

# Get frequencies.
Fs = spf.getframerate()
frqs = sorted(angz * (Fs / (2 * math.pi)))

---

提前谢谢你

应该使用的LPC顺序背后没有确切的科学依据，但有两条经验法则：

两倍于人们期望找到的共振峰数量，再加上两个。如中所述的解释：每个共振峰对应一个阻尼正弦波，可由一对具有正确频率和阻尼的根捕获（其中一个根是另一个根的复共轭）。这两个额外的系数“以防万一”吸收信号中的任何剩余能量

以kHz为单位的采样频率。如果

Fs=16000

即

16kHz

，则将顺序设置为16

第一种方法似乎更受欢迎，例如在上进行了描述

关于优化的说明 与问题无关，但我忍不住对代码提出了两个小的调整，使其更具numpy性：

import numpy as np
import librosa

A = librosa.core.lpc(y, 12)
rts = np.roots(A)
rts = rts[np.imag(rts) >= 0]
angz = np.arctan2(np.imag(rts), np.real(rts))
frqs = angz * fs / (2 *  np.pi)
frqs.sort()

---

太棒了，非常感谢：）@AadityaUra很乐意帮忙。我在如何使代码更快上添加了额外的注释（我认为这主要是一个演示，但认为完整的代码可以帮助其他读者）。