import numpy as np
import math
import csv

# 自己相関関数 R[n] を求める関数
# 自己相関関数の演習で作成した ACR 関数の中身をコピーする
def ACR( n, f, N ):
?


# 自己回帰モデル
# 演習 1-1 からコピー
def AR(a,e):
?


# レビンソン・ダービン(Levinson-Durbin)・アルゴリズム
def Levinson(x,L):
    
    N = x.size
    
    E = 0 # ホワイトノイズの分散の推定値
    P = np.zeros(L+1) # PARCOR 係数   

    hat_a = np.zeros(L+1) # LPC 係数の推定値をゼロクリアする
    R = [ACR(n,x,N) for n in range(L+1)] # 標本自己相関関数 R[n] を求める

    E = ?
    W = ?
    for n in range(1,L+1):
        tmp_a = hat_a.copy()
        P[n] = ?
        hat_a[n] = ?
        for i in range(1,n):
            hat_a[i] = ?
        E = ?
        if n+1 <= L:
            W = ?
            for i in range(1,n+1):
                W += ?

    return hat_a,E

L = 4 # 次数
N = 50000 # 信号長
a = np.zeros(L+1) # LPC 係数
e = np.array([ np.random.normal(0,1) for i in range(N)]) # 入力は正規乱数 N(0,1)

# 真の LPC 係数を入力
# 演習 1-1 からコピー
?

# 自己回帰モデルにより信号値をセット
x = AR(a,e)

# レビンソン・ダービン(Levinson-Durbin)・アルゴリズムにより
# LPC 係数の推定値 hat_a と分散の推定値 E を求める
hat_a,E = Levinson(x,L)

for i in range(1,L+1):
    print( f'a[{i}]={a[i]:5.02f},  hat_a[{i}]={hat_a[i]:5.02f}')
print(f'分散の推定値 = {E:.02f}')