摘要：基于语音状态模型的语音增强算法是当前语音信号处理的研究热点。把通常的LPC语音模型修正后，将得到两个语音模型：时变AR 模型、时变双AR模型。但是利用这些模型增强语音时，都没有考虑到语音的清音、浊音区别。为此本文引入了语音清浊音状态空间模型，这种模型在描述语音方面比时变AR模型、时变双AR模型要强，而且物理含义明显 同时在用含噪语音信号预测纯净语音信号时，引入遗忘因子和粒子滤波算法以降低计算复杂性，减小运算量。实验证明，增强后的语音信号信噪比有一定提高．且优于传统的LPC模型.

利用AR模型进行时间序列预测的程序源代码，使用最小二乘估计法进行参数估计。拟合效果非常好。-use AR model for time series prediction of the source code, the use of least squares estimation method to estimate parameters. Fitting very good results.

该文介绍了时间序列经典方法，ARMA,ARIMA,AR模型用于解决各种平稳预测问题，并且附上了相应的程序，方便读者运用-This paper introduces the classical time series methods, ARMA, ARIMA, AR model is used to solve a variety of stationary prediction problem, and attach the appropriate procedures to facilitat

一种基于加权隐马尔可夫的自回归状态预测模型-Based on weighted HMM state autoregression prediction model