倒频谱 (cepstrum ),顾名思义,就是将频谱 (spectrum)的英文前四个字母反过来写。倒频谱是为了某些时候,为了计算方便,将原来信号的频谱先转成类似分贝 的单位,再作逆傅里叶变换 ,把它视为一种新的信号做处理。倒频谱有复数 倒频谱,及实数 倒频谱。
倒频谱的范例
倒频谱被定义在1963的论文(Bogert等)。定义如下:
字义:倒频谱(信号)是信号频谱取对数的傅里叶变换后的新频谱(信号),有时候会称频谱的倒频谱。
数学上:信号的倒频谱 = IFT ( log ( | FT (信号) | ) + j2πm )(m为实数)
算法:信号 -> 傅立叶变换 -> 取绝对值 -> 取对数 -> 相位展开 -> 逆傅立叶变换 -> 倒频谱
复数倒频谱拥有频谱大小跟相位的信息,实数倒频谱只有频谱大小的信息,各有各的不同应用。
复数倒频谱与实数倒频谱
应用
倒频谱可以被视为在不同频带上变化速率的信息,倒频谱一开始被发明在地震 或炸弹 产生的地震回音,现今也被使用在分析雷达 信号,以及信号处理 等问题。
自相关倒频谱(autocepstrum)被定义为倒频谱的自相关性,自相关倒频谱有时在分析处理回传信号时比倒频谱还准确。
倒频谱在处理人声 信号以及音乐信号有非常好的效果,例如梅尔频率倒频谱(Mel-Frequency Cepstrum),用来做声音的辨认,侦测音高等。近年来梅耳倒频谱也被应用在音乐信息的回复。
倒频谱在声学 中可以将声带 震动的影响去除。
倒频谱用在处理多路径问题时(如声波 的回音 、电磁波 的折、反射等),如果将其他路径干扰 视为噪声 ,为了消除噪声,利用倒频谱,不需测量每条多路径的延迟时间,可以利用传送多次信号,观察其他路径在倒频谱上的效果,并且加以滤除。
语音大致上是由音高、声带 脉冲 、声门波形所组成,我们可以利用倒频谱将这三种元素在倒频域上分开,以利于做语音 信号的分析。
倒频谱的微分适用于影像处理上的图形辨认(pattern recognition)。
倒频谱与同型声音理论(homomorphic sound theory)有关。
倒频谱观念
频谱图上的独立变数是频率 ,而倒频谱图上的独立变数为倒频率(quefrency),倒频率是一种时间的度量单位 。举个例子,声音信号采样速率等于44100赫兹 ,在倒频谱上有个很大的值在倒频率等于100,代表实际上在44100/100=441赫兹 有很大的值,这值出现在倒频谱上因为频谱上周期 性出现,而频谱上出现的周期与倒频谱很大的值出现的位置有关。
倒滤波器
滤波器 (filter)常使用在频谱上,用来保存或删除我们所要或不要的信息,经过上面的许多讨论,不难猜到,倒滤波器(lifter)就是在倒频谱上所使用的滤波器。低通的倒滤波器跟低通滤波器有点类似,它可以借由在倒频谱上乘以一个window系数,使倒频谱上的高倒频率被压抑,如此依来,当信号转回时域 空间时会变成一个较平滑的信号。
计算倒频谱的方法
直接计算IDTFT(反离散时间傅里叶变换)
x
^
[
n
]
=
∫
−
1
2
1
2
X
^
(
F
)
e
j
2
π
F
d
F
{\displaystyle {\widehat {x}}\left[n\right]=\int _{-{\frac {1}{2}}}^{\frac {1}{2}}{\widehat {X}}\left(F\right)e^{j{2\pi }F}dF}
问题:
X
^
(
F
)
{\displaystyle {\widehat {X}}\left(F\right)}
可能会无限大, 且对于arg(x[n])有无限多个解
利用Z变换的零点与极点
先对信号做Z变换 , 并整理一下系数, 让他变成下面的形式
X
(
Z
)
=
A
Z
r
∏
k
=
1
m
i
(
1
−
a
k
Z
−
1
)
∏
k
=
1
m
0
(
1
−
b
k
Z
)
∏
k
=
1
P
i
(
1
−
c
k
Z
−
1
)
∏
k
=
1
P
0
(
1
−
d
k
Z
)
{\displaystyle X\left(Z\right)={\cfrac {A{Z^{r}}\prod _{k=1}^{m_{i}}(1-{a_{k}}{Z^{-1}})\prod _{k=1}^{m_{0}}(1-{b_{k}}Z)}{\prod _{k=1}^{P_{i}}(1-{c_{k}}{Z^{-1}})\prod _{k=1}^{P_{0}}(1-{d_{k}}Z)}}}
其中
|
a
k
|
,
|
b
k
|
,
|
c
k
|
,
|
d
k
|
≤
1
{\displaystyle \left|a_{k}\right|,\left|b_{k}\right|,\left|c_{k}\right|,\left|d_{k}\right|\leq 1}
分子:
第一项A是系数
第二项
Z
r
{\displaystyle Z^{r}}
是延迟
第三项是位于单位圆内的零点
第四项是位于单位圆外的零点
分母:
第一项是位于单位圆内的极点
第二项是位于单位圆外的极点
对
X
(
Z
)
{\displaystyle X\left(Z\right)}
取log变成
X
^
(
Z
)
{\displaystyle {\widehat {X}}\left(Z\right)}
X
^
(
Z
)
=
l
o
g
X
(
Z
)
=
log
A
+
r
log
Z
+
∑
k
=
1
m
i
log
(
1
−
a
k
Z
−
1
)
+
∑
k
=
1
m
0
log
(
1
−
b
k
Z
)
−
∑
k
=
1
P
i
log
(
1
−
c
k
Z
−
1
)
−
∑
k
=
1
P
0
log
(
1
−
d
k
Z
)
{\displaystyle {\widehat {X}}\left(Z\right)=logX\left(Z\right)=\log A+r\log Z+\sum _{k=1}^{m_{i}}\log(1-{a_{k}}{Z^{-1}})+\sum _{k=1}^{m_{0}}\log(1-{b_{k}}Z)-\sum _{k=1}^{P_{i}}\log(1-{c_{k}}{Z^{-1}})-\sum _{k=1}^{P_{0}}\log(1-{d_{k}}Z)}
假设r=0, 因为这只是延迟, 并不会破坏波形
根据Z变换 所得到的系数, 我们可以利用泰勒展开得到Z的逆变换
x
^
[
n
]
=
{
log
A
if
n
=
0
−
∑
k
=
1
m
i
a
k
n
n
+
∑
k
=
1
P
i
c
k
n
n
if
n
>
0
∑
k
=
1
m
0
b
k
−
n
n
−
∑
k
=
1
P
0
d
k
−
n
n
if
n
<
0
{\displaystyle {\widehat {x}}\left[n\right]={\begin{cases}\log A&{\mbox{if }}n=0\\-\sum _{k=1}^{m_{i}}{\cfrac {{a_{k}}^{n}}{n}}+\sum _{k=1}^{P_{i}}{\cfrac {{c_{k}}^{n}}{n}}&{\mbox{if }}n>0\\\sum _{k=1}^{m_{0}}{\cfrac {{b_{k}}^{-n}}{n}}-\sum _{k=1}^{P_{0}}{\cfrac {{d_{k}}^{-n}}{n}}&{\mbox{if }}n<0\end{cases}}}
注意事项
1.
x
^
[
n
]
{\displaystyle {\widehat {x}}\left[n\right]}
总是IIR(无限冲激响应 )
2.对于FIR(有限冲激响应 )的情况,
c
k
=
0
,
d
k
=
0
{\displaystyle c_{k}=0,d_{k}=0}
利用Z变换与微分
Z
⋅
X
^
′
(
Z
)
=
Z
⋅
X
′
(
Z
)
X
(
Z
)
{\displaystyle Z\cdot {\widehat {X}}'\left(Z\right)=Z\cdot {\cfrac {{X}'\left(Z\right)}{{X}\left(Z\right)}}}
Z
X
′
(
Z
)
=
Z
X
^
′
(
Z
)
⋅
X
(
Z
)
{\displaystyle Z{X}'\left(Z\right)=Z{\widehat {X}}'\left(Z\right)\cdot {X}\left(Z\right)}
对其做Z的逆变换
n
x
[
n
]
=
∑
k
=
−
∞
∞
k
x
^
[
k
]
x
[
n
−
k
]
{\displaystyle nx[n]=\sum _{k=-\infty }^{\infty }k{\widehat {x}}\left[k\right]x[n-k]}
故
x
[
n
]
=
∑
k
=
−
∞
∞
k
n
x
^
[
k
]
x
[
n
−
k
]
f
o
r
n
≠
0
{\displaystyle x[n]=\sum _{k=-\infty }^{\infty }{\frac {k}{n}}{\widehat {x}}\left[k\right]x[n-k]\quad for\ n\neq 0}
分别对于x[n]的四种不同的状况做延伸
1.对于x[n]是因果(causal)和最小相位 (minimum phase) i.e.
x
[
n
]
=
x
^
[
n
]
=
0
,
n
<
0
{\displaystyle x[n]={\widehat {x}}\left[n\right]=0,n<0}
对于
x
[
n
]
=
∑
k
=
−
∞
∞
k
n
x
^
[
k
]
x
[
n
−
k
]
f
o
r
n
≠
0
{\displaystyle x[n]=\sum _{k=-\infty }^{\infty }{\frac {k}{n}}{\widehat {x}}\left[k\right]x[n-k]\quad for\ n\neq 0}
可得出
x
[
n
]
=
∑
k
=
0
∞
k
n
x
^
[
k
]
x
[
n
−
k
]
f
o
r
n
>
0
{\displaystyle x[n]=\sum _{k=0}^{\infty }{\frac {k}{n}}{\widehat {x}}\left[k\right]x[n-k]\quad for\ n>0}
故
x
[
n
]
=
x
^
[
n
]
x
[
0
]
+
∑
k
=
0
n
−
1
k
n
x
^
[
k
]
x
[
n
−
k
]
{\displaystyle x[n]={\widehat {x}}\left[n\right]x[0]+\sum _{k=0}^{n-1}{\frac {k}{n}}{\widehat {x}}\left[k\right]x[n-k]}
2.对于x[n]是最小相位(minimum phase)
x
^
[
n
]
=
{
0
if
n
<
0
x
[
n
]
x
[
0
]
−
∑
k
=
0
n
−
1
k
n
x
^
[
k
]
x
[
n
−
k
]
x
[
0
]
if
n
>
0
log
A
if
n
=
0
{\displaystyle {\widehat {x}}\left[n\right]={\begin{cases}0&{\mbox{if }}n<0\\{\cfrac {x[n]}{x[0]}}-\sum _{k=0}^{n-1}{\cfrac {k}{n}}{\widehat {x}}\left[k\right]{\cfrac {x[n-k]}{x[0]}}&{\mbox{if }}n>0\\\log A&{\mbox{if }}n=0\end{cases}}}
3.对于x[n]是反因果(anti-causal)且最大相位(maximum phase) i.e.
x
[
n
]
=
x
^
[
n
]
=
0
,
n
>
0
{\displaystyle x[n]={\widehat {x}}\left[n\right]=0,n>0}
x
[
n
]
=
∑
k
=
n
0
k
n
x
^
[
k
]
x
[
n
−
k
]
f
o
r
n
<
0
=
x
^
[
n
]
x
[
0
]
+
∑
k
=
n
+
1
0
k
n
x
^
[
k
]
x
[
n
−
k
]
{\displaystyle {\begin{aligned}x[n]&=\sum _{k=n}^{0}{\cfrac {k}{n}}{\widehat {x}}\left[k\right]x[n-k]\quad for\ n<0\\&={\widehat {x}}\left[n\right]x[0]+\sum _{k=n+1}^{0}{\cfrac {k}{n}}{\widehat {x}}\left[k\right]x[n-k]\\\end{aligned}}}
4.对于x[n]是最大相位(maximum phase)
x
^
[
n
]
=
{
0
if
n
>
0
x
[
n
]
x
[
0
]
−
∑
k
=
n
+
1
0
k
n
x
^
[
k
]
x
[
n
−
k
]
x
[
0
]
if
n
<
0
log
A
if
n
=
0
{\displaystyle {\widehat {x}}\left[n\right]={\begin{cases}0&{\mbox{if }}n>0\\{\cfrac {x[n]}{x[0]}}-\sum _{k=n+1}^{0}{\cfrac {k}{n}}{\widehat {x}}\left[k\right]{\cfrac {x[n-k]}{x[0]}}&{\mbox{if }}n<0\\\log A&{\mbox{if }}n=0\end{cases}}}
特性
1. 复数倒频谱至少以
1
n
{\displaystyle {\frac {1}{n}}}
的速度衰退
|
x
^
[
n
]
|
=
c
|
α
n
n
|
−
∞
<
n
<
∞
{\displaystyle |{\widehat {x}}\left[n\right]|=c|{\frac {{\alpha }^{n}}{n}}|\quad -\infty <n<\infty }
其中
α
=
m
a
x
(
a
k
,
b
k
,
c
k
,
d
k
)
{\displaystyle \alpha =max(a_{k},b_{k},c_{k},d_{k})}
2. 如果X(Z)没有在单位圆以外的零点和极点, 则
x
^
[
n
]
=
0
f
o
r
a
l
l
n
<
0
{\displaystyle {\widehat {x}}\left[n\right]=0\quad for\ all\ n<0}
因为
b
k
,
d
k
=
0
{\displaystyle b_{k},d_{k}=0}
3. 如果X(Z)没有在单位圆以内的零点和极点, 则
x
^
[
n
]
=
0
f
o
r
a
l
l
n
>
0
{\displaystyle {\widehat {x}}\left[n\right]=0\quad for\ all\ n>0}
因为
a
k
,
c
k
=
0
{\displaystyle a_{k},c_{k}=0}
4. 如果x[n]是有限长度, 则
x
^
[
n
]
{\displaystyle {\widehat {x}}\left[n\right]}
是无限长度
同态解卷积的应用(Application of Homomorphic Deconvolution)
梅尔频率倒频谱
梅尔频率倒频谱 是倒频谱的一种应用,梅尔频率倒频谱常应用在声音信号处理,对于声音信号处理比倒频谱更接近人耳对声音的分析特性,而梅尔频率倒频谱与倒频谱的差别在于:
梅尔频率倒频谱的频带分析是根据人耳听觉特性所设计,人耳对于频率 的分辨能力,是由频率的"比值"决定,也就是说,人耳对200赫兹 和300赫兹之间的差别与2000赫兹和3000赫兹之间的差别是相同的。
梅尔频率倒频谱是针对信号的能量 取对数 ,而倒频谱是针对信号原始在频谱上的值取对数 。
梅尔频率倒频谱是使用离散余弦变换 ,倒频谱是用离散傅里叶变换 。
梅尔频率倒频谱系数足够描述语音 的特征。
梅尔频率倒频谱系数 (MFCCs)的推导步骤:
将信号做傅里叶变换
频谱上的值取绝对值再平方成为能量,在乘上频谱上对应的梅尔频率倒频谱三角重叠窗(window)的系数。
对每个梅尔频率取对数 。
作离散余弦变换 。
求得梅尔频率倒频谱系数。
梅尔频率倒频谱应用
梅尔频率倒频谱系数常利用在辨认语音技术上,例如辨认电话中说话的人的身份。
利用每种乐风 、或乐器 在梅尔频域上有不同特性来分析音乐 的种类与类型,并且可以加以分类。
噪声敏感性
梅尔频率倒频谱系数很容易被外来的噪声所破坏,因此有些研究结果指出,在求梅尔频率倒频谱系数时,在作离散余弦变换前,提升适当的能量(大约2或3倍),以减少噪声在低能量成分的影响。
梅尔频率倒频谱优点
卷积
倒频谱领域上的一项重要的特性为二信号卷积 之产生,其产生之程序为二倒频谱值(cepstra)之相加:
x
1
∗
x
2
→
x
1
′
+
x
2
′
{\displaystyle x_{1}*x_{2}\rightarrow x'_{1}+x'_{2}}
微分倒频谱(differential cepstrum)
定义
x
^
d
(
n
)
=
Z
−
1
X
′
(
Z
)
X
(
Z
)
{\displaystyle {\widehat {x}}_{d}(n)=Z^{-1}{\frac {X'(Z)}{X(Z)}}}
或
x
^
d
[
n
]
=
∫
−
1
2
1
2
X
′
(
F
)
X
(
F
)
e
i
2
π
F
d
F
{\displaystyle {\widehat {x}}_{d}[n]=\int _{-{\frac {1}{2}}}^{\frac {1}{2}}{\frac {X'(F)}{X(F)}}e^{i2\pi F}dF}
(
d
d
Z
X
^
d
(
Z
)
=
d
d
Z
l
o
g
X
(
Z
)
=
X
′
(
Z
)
X
(
Z
)
)
{\displaystyle ({\frac {d}{dZ}}{\widehat {X}}_{d}(Z)={\frac {d}{dZ}}logX(Z)={\frac {X'(Z)}{X(Z)}})}
If
x
(
n
)
=
x
1
(
n
)
∗
x
2
(
n
)
{\displaystyle x(n)=x_{1}(n)*x_{2}(n)}
X
(
Z
)
=
X
1
(
Z
)
X
2
(
Z
)
{\displaystyle X(Z)=X_{1}(Z)X_{2}(Z)}
X
′
(
Z
)
=
X
1
′
(
Z
)
X
2
(
Z
)
+
X
1
(
Z
)
X
2
′
(
Z
)
{\displaystyle X'(Z)=X_{1}'(Z)X_{2}(Z)+X_{1}(Z)X_{2}'(Z)}
X
′
(
Z
)
X
(
Z
)
=
X
1
′
(
Z
)
X
1
(
Z
)
)
+
X
2
′
(
Z
)
X
2
(
Z
)
)
{\displaystyle {\frac {X'(Z)}{X(Z)}}={\frac {X_{1}'(Z)}{X_{1}(Z)}})+{\frac {X_{2}'(Z)}{X_{2}(Z)}})}
∴
x
^
d
(
n
)
=
x
^
1
d
(
n
)
+
x
^
2
d
(
n
)
{\displaystyle \therefore {\widehat {x}}_{d}(n)={\widehat {x}}_{1d}(n)+{\widehat {x}}_{2d}(n)}
优点:
(a)没有模糊的相位
(b)可以处理延迟问题
特性
(1)微分倒频谱在shift和scaling时,结果不改变。
ex:
y
[
n
]
=
A
X
[
n
−
r
]
{\displaystyle y[n]=AX[n-r]}
⇒
y
^
d
(
n
)
=
{
x
^
d
(
n
)
,
n
≠
1
−
r
+
x
^
d
(
1
)
,
n
=
1
{\displaystyle \Rightarrow {\widehat {y}}_{d}(n)={\begin{cases}{\widehat {x}}_{d}(n),n\neq 1\\-r+{\widehat {x}}_{d}(1),n=1\end{cases}}}
(proof):
Y
(
z
)
=
A
z
−
r
X
(
z
)
{\displaystyle Y(z)=Az^{-r}X(z)}
Y
(
z
)
=
A
z
−
r
X
′
(
z
)
−
r
A
z
−
r
−
1
X
(
z
)
{\displaystyle Y(z)=Az^{-r}X'(z)-rAz^{-r-1}X(z)}
Y
′
(
z
)
Y
(
z
)
=
X
′
(
z
)
X
(
z
)
−
r
z
−
1
{\displaystyle {\frac {Y'(z)}{Y(z)}}={\frac {X'(z)}{X(z)}}-rz^{-1}}
(2)复数倒频谱
C
^
[
n
]
{\displaystyle {\widehat {C}}[n]}
与 微分倒频谱
x
^
d
[
n
]
{\displaystyle {\widehat {x}}_{d}[n]}
和原信号x[n]有关
C
^
(
n
)
=
−
x
^
d
(
n
+
1
)
n
,
n
≠
0
{\displaystyle {\widehat {C}}(n)={\frac {-{\widehat {x}}_{d}(n+1)}{n}},n\neq 0}
diff cepstrum
−
(
n
−
1
)
x
(
n
−
1
)
=
∑
k
=
−
∞
∞
x
^
d
(
n
)
x
(
n
−
k
)
{\displaystyle -(n-1)x(n-1)=\sum _{k=-\infty }^{\infty }{\widehat {x}}_{d}(n)x(n-k)}
recursive formula
⇒
{\displaystyle \Rightarrow }
复数频谱做得到的事情, 微分倒频谱也做得到
(3)如果x[n]是最小相位(minimum phase),则
x
^
d
[
n
]
=
0
{\displaystyle {\widehat {x}}_{d}[n]=0}
,当
n
≤
0
{\displaystyle n\leq 0}
minimum phase 意思为 no poles 或 zeros 在单位圆外
(4)如果x[n]是最大相位(maximum phase),则
x
^
d
[
n
]
=
0
{\displaystyle {\widehat {x}}_{d}[n]=0}
,当
n
≥
2
{\displaystyle n\geq 2}
maximum phase 意思为 no poles 或 zeros 在单位圆内
(5)如果x(n)为有限区间,则
x
^
d
[
n
]
{\displaystyle {\widehat {x}}_{d}[n]}
为无限区间
复数倒频谱的衰减率反比于n
微分倒频谱的衰减率下降
∴
x
^
d
(
n
+
1
)
=
n
c
^
(
n
)
∝
n
1
n
=
1
{\displaystyle \therefore {\widehat {x}}_{d}(n+1)=n{\widehat {c}}(n)\varpropto n{\frac {1}{n}}=1}
范例
x
[
0
]
=
1
,
x
[
1
]
=
0.5
{\displaystyle x[0]=1,x[1]=0.5}
,otherwise 0 , Find its cepstrum.
x
[
n
]
⟶
Z
t
r
a
n
s
f
o
r
m
X
(
Z
)
⟶
l
o
g
X
^
(
Z
)
⟶
Z
−
1
x
^
[
n
]
{\displaystyle x[n]\quad {\stackrel {Ztransform}{\longrightarrow }}\quad X(Z)\quad {\stackrel {log}{\longrightarrow }}\quad {\widehat {X}}(Z)\quad {\stackrel {Z^{-1}}{\longrightarrow }}\quad {\widehat {x}}[n]}
step 1. Z transform:
X
(
Z
)
=
1
+
0.5
Z
−
1
,
p
o
l
e
=
−
0.5
{\displaystyle X(Z)=1+0.5Z^{-1},pole=-0.5}
step 2. log:
X
^
(
Z
)
=
∑
k
=
1
m
i
l
o
g
(
1
−
(
−
0.5
Z
−
1
)
)
{\displaystyle {\widehat {X}}(Z)=\sum _{k=1}^{m_{i}}log(1-(-0.5Z^{-1}))}
step 3. reverse Z transform:
x
^
[
n
]
=
∑
n
=
0
N
−
−
0.5
n
n
,
n
>
0
{\displaystyle {\widehat {x}}[n]=\sum _{n=0}^{N}-{\frac {-0.5^{n}}{n}},n>0}
x
^
[
0
]
=
1
{\displaystyle {\widehat {x}}[0]=1}
,otherwise 0 , Find its inverse cepstrum.
x
^
[
n
]
⟶
Z
t
r
a
n
s
f
o
r
m
X
^
(
Z
)
⟶
e
x
p
X
(
Z
)
⟶
Z
−
1
x
[
n
]
{\displaystyle {\widehat {x}}[n]\quad {\stackrel {Ztransform}{\longrightarrow }}\quad {\widehat {X}}(Z)\quad {\stackrel {exp}{\longrightarrow }}\quad {X}(Z)\quad {\stackrel {Z^{-1}}{\longrightarrow }}\quad {x}[n]}
step 1. Z transform:
X
^
[
n
]
=
Z
−
1
{\displaystyle {\widehat {X}}[n]=Z^{-1}}
step 2. exp:
e
(
1
z
)
=
∑
n
=
0
∞
1
z
n
n
!
{\displaystyle e({\frac {1}{z}})=\sum _{n=0}^{\infty }{\frac {\frac {1}{z^{n}}}{n!}}}
step 3. reverse Z transform:
x
[
n
]
=
{
1
n
!
,
n
≥
0
0
,
o
t
h
e
r
w
i
s
e
{\displaystyle x[n]={\begin{cases}{\frac {1}{n!}},n\geq 0\\0,otherwise\\\end{cases}}}
Suppose that an IIR filter is
H
(
Z
)
=
2
z
3
−
4
z
2
−
z
+
2
2
z
2
−
2
z
+
1
{\displaystyle H(Z)={\frac {2z^{3}-4z^{2}-z+2}{2z^{2}-2z+1}}}
x
[
n
]
⟶
Z
t
r
a
n
s
f
o
r
m
X
(
Z
)
⟶
l
o
g
X
^
(
Z
)
⟶
Z
−
1
x
^
[
n
]
{\displaystyle x[n]\quad {\stackrel {Ztransform}{\longrightarrow }}\quad X(Z)\quad {\stackrel {log}{\longrightarrow }}\quad {\widehat {X}}(Z)\quad {\stackrel {Z^{-1}}{\longrightarrow }}\quad {\widehat {x}}[n]}
step 1. Z transform:
H
(
Z
)
=
(
−
2
)
(
z
)
(
z
−
2
2
z
−
1
)
(
z
+
2
2
z
−
1
)
(
1
−
1
2
z
)
(
1
−
1
+
j
2
z
−
1
)
(
1
−
1
−
j
2
z
−
1
)
{\displaystyle H(Z)={\frac {(-2)(z)(z-{\frac {\sqrt {2}}{2}}z^{-1})(z+{\frac {\sqrt {2}}{2}}z^{-1})(1-{\frac {1}{2}}z)}{(1-{\frac {1+j}{2}}z^{-1})(1-{\frac {1-j}{2}}z^{-1})}}}
step 2. log:
H
^
(
Z
)
=
l
o
g
(
−
2
)
+
3
l
o
g
(
z
)
+
l
o
g
(
1
±
2
2
z
−
1
)
+
l
o
g
(
1
−
1
2
z
)
−
l
o
g
(
1
−
1
±
j
2
z
−
1
)
{\displaystyle {\widehat {H}}(Z)=log(-2)+3log(z)+log(1\pm {\frac {\sqrt {2}}{2}}z^{-1})+log(1-{\frac {1}{2}}z)-log(1-{\frac {1\pm j}{2}}z^{-1})}
step 3. reverse Z transform:
h
^
[
n
]
=
{
l
o
g
(
−
2
)
,
n
=
0
−
(
2
2
)
n
+
(
−
2
2
)
n
n
+
(
1
+
j
2
)
n
+
(
1
−
j
2
)
n
n
,
n
>
0
(
1
2
)
−
n
n
,
n
<
0
{\displaystyle {\widehat {h}}[n]={\begin{cases}log(-2),n=0\\\displaystyle {-{\frac {{({\frac {\sqrt {2}}{2}})}^{n}+{({\frac {-{\sqrt {2}}}{2}})}^{n}}{n}}+{\frac {{({\frac {1+j}{2}})}^{n}+{({\frac {1-j}{2}})}^{n}}{n}},n>0}\\\displaystyle {\frac {{({\frac {1}{2}})}^{-n}}{n}},n<0\\\end{cases}}}
{\displaystyle }
参考文献
B. P. Bogert, M. J. R. Healy, and J. W. Tukey : "The quefrency analysis of time series for echoes: cepstrum, pseudo-autocovariance , cross-cepstrum, and saphe cracking". Proceedings of the Symposium on Time Series Analysis (M. Rosenblatt, Ed) Chapter 15, 209-243. New York: Wiley, 1963.
D. G. Childers, D. P. Skinner, R. C. Kemerait, "The Cepstrum: A Guide to Processing (页面存档备份 ,存于互联网档案馆 )," Proceedings of the IEEE , Vol. 65, No. 10, October 1977, pp. 1428-1443.
Jian-Jiun Ding, Advanced Digital Signal Processing class note,the Department of Electrical Engineering, National Taiwan University (NTU), Taipei, Taiwan, 2008
Jian-Jiun Ding, Advanced Digital Signal Processing class note,the Department of Electrical Engineering, National Taiwan University (NTU), Taipei, Taiwan, 2024