线性预测是Wiener Filter的应用，作为信号识别的特征以及信号编码的一种实现途径。

前向线性预测原理

以语音信号为例，声道模型的一种观点是：级联结构的共振峰模型。即：对于一般元音，可以用全极点模型，传输函数：

$H(z)=\frac{G}{1-\sum_{i=1}^{p} a_{i} z^{-k}}$

称系统

$\hat{\boldsymbol{x}}(n)=\sum_{i=1}^{p} a_{i} x(n-i)$

为线性预测器。$\hat{\boldsymbol{x}}(n)$是$x(n)$的估算值。${a_i}$为预测系数(Linear Prediction Coefficient, LPC)，$p$为对应阶数。
对应单点预测误差：

$e(n)=x(n)-\hat{x}(n)=x(n)-\sum_{i=1}^{p} a_{i} x(n-i)$

对${a_i}$求偏导即可实现求解，得到的方程组通常称为Yule-Walker方程。

应用实例

利用预测系数估计逼近系统响应$H$，可以用该系数表征语音的特性，也可以用逼近的$H$观察声道特性，同样可以进行共振峰提取，这些都可以看作说话人的特征。

以下代码：

clear all; clc; close all;
filedir=[];                             % 设置数据文件的路径
filename='a.wav';                       % 设置数据文件的名称
fle=[filedir filename]                  % 构成路径和文件名的字符串
[x,fs]=wavread(fle);                    % 读入语音数据
L=240;                                  % 帧长
p=30;                                   % LPC的阶数
y=x(8001:8000+L);                       % 取一帧数据
ar=lpc(y,p);                            % 线性预测变换
nfft=512;                               % FFT变换长度
W2=nfft/2;
m=1:W2+1;                               % 正频率部分下标值
Y=fft(y,nfft);                          % 计算信号y的FFT频谱
Y1=lpcar2ff(ar,W2-1);                   % 计算预测系数的频谱
% 作图
subplot 311; plot(y,'k');
title('一帧语音信号的波形'); ylabel('幅值'); xlabel('(a)')
subplot 312;
plot(m,20*log10(abs(Y(m))),'k','linewidth',1.5);
line(m,20*log10(abs(Y1)),'color','r','linewidth',2)
axis([0 W2+1 -30 25]); ylabel('幅值/db');
legend('FFT频谱','LPC谱',3); xlabel(['样点' 10 '(b)'])
title('FFT频谱和LPC谱的比较 p=4');

subplot 313;
plot(m,20*log10(abs(Y(m))),'k','linewidth',1.5);
line(m,20*log10(abs(Y1)),'color','r','linewidth',2)
axis([0 W2+1 -30 25]); ylabel('幅值/db');
legend('FFT频谱','LPC谱',3); xlabel(['样点' 10 '(c)'])
title('FFT频谱和LPC谱的比较 p=30');

结果图：

可以看出，信号的频谱由慢变化分量调制高频信号，对应时域就是卷积，而声道模型对应卷积的$h(n)$，$p$选择过小估计不准，选择过大容易过拟合，这么看来lpc说是预测其实本质也是拟合的问题，同样有Over-fitting. 得到LPC谱之后，可以利用峰值查找等方式，进行共振峰估计。