Pertama, mengatakan linear predictive coding (LPC) adalah "lebih toleran terhadap kesalahan pengiriman atau penyandian" tidak sepenuhnya benar. Bentuk koefisien ditransmisikan membuat perbedaan besar. Misalnya, jika koefisien prediksi linier dipecahkan, mereka dapat menjadi sangat peka terhadap kuantisasi, seperti halnya koefisien filter IIR orde tinggi (ini karena filter sintesisnya adalah IIR, tetapi lebih lanjut tentang itu nanti). Namun, jika ditransmisikan dalam bentuk lain, masalah ini dapat dikurangi dengan mudah.
Salah satu caranya adalah dengan mentransfer koefisien refleksi. Jika Anda secara rekursif menyelesaikan filter prediksi linier urutan ke-k, koefisien urutan tertinggi pada setiap tahap disebut koefisien refleksi. Ini dapat digunakan bersama untuk sepenuhnya mencirikan sistem (yang dapat dengan mudah dilihat dari rekursi Levinson). Bahkan, Anda bisa menggunakan semuanya untuk membentuk filter kisi. Filter ini sering digunakan ketika kuantisasi menjadi perhatian, karena mereka jauh lebih kuat untuk jumlah bit yang rendah. Selain itu, jika besarnya koefisien refleksi ini dibatasi oleh satu, Anda dijamin memiliki filter stabil BIBO yang sangat penting untuk LPC di mana filter digunakan untuk mensintesis sinyal Anda. Ada metode lain seperti pasangan spektral garis yang sering digunakan, tetapi tidak
Sekarang, untuk menjawab pertanyaan pertama, teori LPC berputar di sekitar pemodelan saluran vokal. Pada dasarnya, kami memodelkan ucapan sebagai getaran udara sebagai input ke tabung beberapa struktur. Anda dapat mencari beberapa sumber daya yang lebih detail untuk menyempurnakan model ini (panjang tabung, intensitas udara, struktur dll). Sumber daya ini menghubungkan struktur ini secara langsung dengan filter IIR menanggapi berbagai rangsangan, white noise misalnya.
Jadi ketika kita memecahkan koefisien prediksi linear, kita mencari koefisien sehingga jika kita memasukkan sinyal kita (suara misalnya) ke dalam filter FIR yang dibuat dari koefisien, kita mendapatkan white noise sebagai output. Jadi pikirkan apa artinya itu. Kami memasukkan sangatsinyal berkorelasi, dan mengeluarkan urutan derau putih. Jadi sebenarnya, kami menghapus semua ketergantungan linear dari sinyal itu. Cara lain untuk melihat ini, adalah bahwa semua informasi yang bermakna terkandung dalam koefisien yang menghapus ketergantungan linear ini. Oleh karena itu, kami dapat mentransfer koefisien ini (atau beberapa bentuknya seperti di atas), dan pihak penerima dapat membuat kembali sinyal. Ini dilakukan dengan membalikkan filter FIR prediktif linier untuk membuat filter IIR, dan memasukkan white noise. Jadi kompresi datang dari menghilangkan ketergantungan linear ini, dan mentransfer koefisien. Inilah sebabnya mengapa metode Burg juga kadang-kadang disebut sebagai metode entropi maksimum, karena bertujuan untuk memaksimalkan "keacakan" atau keputihan dari kebisingan keluaran dalam filter prediksi linear. Cara lain untuk melihat ini,
Untuk menjawab pertanyaan terakhir Anda, saya tidak yakin apa yang Anda tanyakan sepenuhnya. LPC, atau linear predictive coding dimaksudkan untuk "memampatkan" sinyal dengan asumsi bahwa itu dapat dimodelkan secara efisien seperti yang telah dibahas sebelumnya. Anda tentu dapat menggunakan prediksi linier untuk melakukan "prediksi jangka pendek" seperti yang telah Anda sebutkan. Ini adalah dasar implisit di balik metode AR resolusi tinggi yang digunakan untuk estimasi kepadatan spektral daya. Urutan autokorelasi dapat diperpanjang secara rekursif dari bentuknya yang terbatas dari catatan data terbatas hingga tak terbatas sebagai urutan autokorelasi teoretis dari urutan yang dilepaskan. Ini juga mengapa metode AR estimasi PSD tidak menunjukkan fenomena sidelobe.