倒頻譜 (cepstrum ),顧名思義,就是將頻譜 (spectrum)的英文前四個字母反過來寫。倒頻譜是為了某些時候,為了計算方便,將原來訊號的頻譜先轉成類似分貝 的單位,再作逆傅利葉轉換 ,把它視為一種新的訊號做處理。倒頻譜有複數 倒頻譜,及實數 倒頻譜。
倒頻譜的範例
倒頻譜被定義在1963的論文(Bogert等)。定義如下:
字義:倒頻譜(訊號)是訊號頻譜取對數的傅利葉變換後的新頻譜(訊號),有時候會稱頻譜的倒頻譜。
數學上:訊號的倒頻譜 = IFT ( log ( | FT (訊號) | ) + j2πm )(m為實數)
演算法:訊號 -> 傅立葉轉換 -> 取絕對值 -> 取對數 -> 相位展開 -> 逆傅立葉轉換 -> 倒頻譜
複數倒頻譜擁有頻譜大小跟相位的資訊,實數倒頻譜只有頻譜大小的資訊,各有各的不同應用。
倒頻譜可以被視為在不同頻帶上變化速率的資訊,倒頻譜一開始被發明在地震 或炸彈 產生的地震回音,現今也被使用在分析雷達 訊號,以及訊號處理 等問題。
自相關倒頻譜(autocepstrum)被定義為倒頻譜的自相關性,自相關倒頻譜有時在分析處理回傳訊號時比倒頻譜還準確。
倒頻譜在處理人聲 訊號以及音樂訊號有非常好的效果,例如梅爾頻率倒頻譜(Mel-Frequency Cepstrum),用來做聲音的辨認,偵測音高等。近年來梅耳倒頻譜也被應用在音樂資訊的回覆。
倒頻譜在聲學 中可以將聲帶 震動的影響去除。
倒頻譜用在處理多路徑問題時(如聲波 的迴音 、電磁波 的折、反射等),如果將其他路徑干擾 視為雜訊 ,為了消除雜訊,利用倒頻譜,不需測量每條多路徑的延遲時間,可以利用傳送多次訊號,觀察其他路徑在倒頻譜上的效果,並且加以濾除。
語音大致上是由音高、聲帶 脈衝 、聲門波形所組成,我們可以利用倒頻譜將這三種元素在倒頻域上分開,以利於做語音 訊號的分析。
倒頻譜的微分適用於影像處理上的圖形辨認(pattern recognition)。
倒頻譜與同型聲音理論(homomorphic sound theory)有關。
頻譜圖上的獨立變數是頻率 ,而倒頻譜圖上的獨立變數為倒頻率(quefrency),倒頻率是一種時間的度量單位 。舉個例子,聲音訊號取樣速率等於44100赫茲 ,在倒頻譜上有個很大的值在倒頻率等於100,代表實際上在44100/100=441赫茲 有很大的值,這值出現在倒頻譜上因為頻譜上週期 性出現,而頻譜上出現的週期與倒頻譜很大的值出現的位置有關。
濾波器 (filter)常使用在頻譜上,用來保存或刪除我們所要或不要的資訊,經過上面的許多討論,不難猜到,倒濾波器(lifter)就是在倒頻譜上所使用的濾波器。低通的倒濾波器跟低通濾波器有點類似,它可以藉由在倒頻譜上乘以一個window系數,使倒頻譜上的高倒頻率被壓抑,如此依來,當訊號轉回時域 空間時會變成一個較平滑的訊號。
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}
問題:
X
^
(
F
)
{\displaystyle {\widehat {X}}\left(F\right)}
可能會無限大, 且對於arg(x[n])有無限多個解
先對訊號做Z轉換 , 並整理一下系數, 讓他變成下面的形式
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:
第一項A是系數
第二項
Z
r
{\displaystyle Z^{r}}
是延遲
第三項是位於單位圓內的零點
第四項是位於單位圓外的零點
分母:
第一項是位於單位圓內的極點
第二項是位於單位圓外的極點
對
X
(
Z
)
{\displaystyle X\left(Z\right)}
取log變成
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)}
假設r=0, 因為這只是延遲, 並不會破壞波形
根據Z轉換 所得到的系數, 我們可以利用泰勒展開得到Z的反轉換
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}}}
注意事項
1.
x
^
[
n
]
{\displaystyle {\widehat {x}}\left[n\right]}
總是IIR(無限脈衝響應 )
2.對於FIR(有限脈衝響應 )的情況,
c
k
=
0
,
d
k
=
0
{\displaystyle c_{k}=0,d_{k}=0}
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)}
對其做Z的反轉換
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}
分別對於x[n]的四種不同的狀況做延伸
1.對於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}
對於
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.對於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.對於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.對於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}}}
1. 複數倒頻譜至少以
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)沒有在單位圓以外的零點和極點, 則
x
^
[
n
]
=
0
f
o
r
a
l
l
n
<
0
{\displaystyle {\widehat {x}}\left[n\right]=0\quad for\ all\ n<0}
因為
b
k
,
d
k
=
0
{\displaystyle b_{k},d_{k}=0}
3. 如果X(Z)沒有在單位圓以內的零點和極點, 則
x
^
[
n
]
=
0
f
o
r
a
l
l
n
>
0
{\displaystyle {\widehat {x}}\left[n\right]=0\quad for\ all\ n>0}
因為
a
k
,
c
k
=
0
{\displaystyle a_{k},c_{k}=0}
4. 如果x[n]是有限長度, 則
x
^
[
n
]
{\displaystyle {\widehat {x}}\left[n\right]}
是無限長度
同態解卷積的應用(Application of Homomorphic Deconvolution)
編輯
梅爾頻率倒頻譜 是倒頻譜的一種應用,梅爾頻率倒頻譜常應用在聲音訊號處理,對於聲音訊號處理比倒頻譜更接近人耳對聲音的分析特性,而梅爾頻率倒頻譜與倒頻譜的差別在於:
梅爾頻率倒頻譜的頻帶分析是根據人耳聽覺特性所設計,人耳對於頻率 的分辨能力,是由頻率的"比值"決定,也就是說,人耳對200赫茲 和300赫茲之間的差別與2000赫茲和3000赫茲之間的差別是相同的。
梅爾頻率倒頻譜是針對訊號的能量 取對數 ,而倒頻譜是針對訊號原始在頻譜上的值取對數 。
梅爾頻率倒頻譜是使用離散餘弦轉換 ,倒頻譜是用離散傅利葉變換 。
梅爾頻率倒頻譜系數足夠描述語音 的特徵。
梅爾頻率倒頻譜系數 (MFCCs)的推導步驟:
將訊號做傅利葉變換
頻譜上的值取絕對值再平方成為能量,在乘上頻譜上對應的梅爾頻率倒頻譜三角重疊窗(window)的系數。
對每個梅爾頻率取對數 。
作離散餘弦轉換 。
求得梅爾頻率倒頻譜系數。
梅爾頻率倒頻譜系數常利用在辨認語音技術上,例如辨認電話中說話的人的身份。
利用每種樂風 、或樂器 在梅爾頻域上有不同特性來分析音樂 的種類與類型,並且可以加以分類。
梅爾頻率倒頻譜系數很容易被外來的雜訊所破壞,因此有些研究結果指出,在求梅爾頻率倒頻譜系數時,在作離散餘弦轉換前,提升適當的能量(大約2或3倍),以減少雜訊在低能量成份的影響。
倒頻譜領域上的一項重要的特性為二訊號卷積 之產生,其產生之程序為二倒頻譜值(cepstra)之相加:
x
1
∗
x
2
→
x
1
′
+
x
2
′
{\displaystyle x_{1}*x_{2}\rightarrow x'_{1}+x'_{2}}
微分倒頻譜(differential cepstrum)
編輯
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)}
優點:
(a)沒有模糊的相位
(b)可以處理延遲問題
(1)微分倒頻譜在shift和scaling時,結果不改變。
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)複數倒頻譜
C
^
[
n
]
{\displaystyle {\widehat {C}}[n]}
與 微分倒頻譜
x
^
d
[
n
]
{\displaystyle {\widehat {x}}_{d}[n]}
和原訊號x[n]有關
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 }
複數頻譜做得到的事情, 微分倒頻譜也做得到
(3)如果x[n]是最小相位(minimum phase),則
x
^
d
[
n
]
=
0
{\displaystyle {\widehat {x}}_{d}[n]=0}
,當
n
≤
0
{\displaystyle n\leq 0}
minimum phase 意思為 no poles 或 zeros 在單位圓外
(4)如果x[n]是最大相位(maximum phase),則
x
^
d
[
n
]
=
0
{\displaystyle {\widehat {x}}_{d}[n]=0}
,當
n
≥
2
{\displaystyle n\geq 2}
maximum phase 意思為 no poles 或 zeros 在單位圓內
(5)如果x(n)為有限區間,則
x
^
d
[
n
]
{\displaystyle {\widehat {x}}_{d}[n]}
為無限區間
複數倒頻譜的衰減率反比於n
微分倒頻譜的衰減率下降
∴
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}
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 }
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 (頁面存檔備份 ,存於互聯網檔案館 )," 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