newdata olddata [,c(1,3,5,7,9,11,13,15,17)]不可能每一列都手动输进去，所以必须得用一个for循环。
我的建议是可能要大改整个程序：用一个list（比如叫data.list）把所有data frame或者之类的东西装起来，用的时候用data.list[[i]]来取出第i个data frame。用sqldf的时候，第一个和第三个可以用paste来写命令，第二个和第四个可能需要先用一个data frame（比如叫data）来暂时存储data.list里的一个data frame再操作sqldf。总的来说像这样（没怎么用过SQL，可能有问题）：
dataold_list<-dataold.list<-datanew_list<-datanew.list<-vector("list",100)for(i in 1:100){
dataold_list[[i]]<-sqldf(paste("select * from Dataold a,num",i," b
where a.LOAN_NO=b.LOAN_NO",sep=""))
dataold_list[[i]]<-dataold_list[[i]][,-1]
data<-dataold_list[[i]]
dataold.list[[i]]<-sqldf("select * from a,data b
where a.LOAN_NO=b.LOAN_NO")
datanew_list[[i]]<-sqldf(paste("select * from Datanew a,num",i," b
where a.LOAN_NO=b.LOAN_NO",sep=""))
datanew_list[[i]]<-dataold_list[[i]][,-1]
data<-datanew_list[[i]]
datanew.list[[i]]<-sqldf("select * from a,data b
where a.LOAN_NO=b.LOAN_NO")
}
1.短时能量分析（音强），决定短时能量特性有两个条件：不同的窗口的形状和长度。窗长越长，频率分辨率越高，而时间分辨率越低（N为帧长，M为步长）。
*典型窗函数：矩形窗谱平滑性能好，但损失高频成分，波形细节丢失，海明窗与之相反。一帧内含1~7个基音周期，10kHz下采100~200点。
2.短时平均振幅分析：计算方法简单，但清浊音的区分不如能量明显。
3.短时过零分析：可以区分清音与浊音，浊音时具有较低的平均过零数，而清音时具有较高的平均过零数；可以从背景噪声中找出语音信号，可用于判断寂静无语音和有语音的起点和终点位置。
4.短时相关分析：自相关用于研究信号本身，如信号波形的同步性、周期性等。用来区分清音和浊音，因为浊音信号是准周期性的，对浊音语音可以用自相关函数求出语音波形序列的基音周期；另外在进行语音信号的线性预测分析时，也要用到短时自相关函数。
4.短时平均幅度差：短时平均幅度差计算加、减法和和取绝对值的运算，与自相关函数的相加与相乘的运算相比，其运算量大大减小，尤其在硬件实现语音信号分析时有很大好处。为此，AMDF已被用在许多实时语音处理系统中。
5.短时傅里叶变换：
6.语音信号的倒谱分析：求语音倒谱特征参数，通过同态处理（将非线性问题转化为线性问题）来实现。同态处理（同态滤波）：解卷，将卷积关系变为求和处理。 将语音信号的声门激励和声道响应分离开。
7.基音周期的提取：
a)自相关法：峰—峰值之间对应的就是基音周期。为去除声道影响，一般进行中心削波的非线性变换（削除低幅部分）。
b)倒谱法：图a为ln|X(ejw)|的示意图，包括频谱包络的慢变分量，基音谐波峰值的快变分量。再取一次傅里叶反变换，即可将快慢分量分离开。
基音周期后处理：中值平滑、线性平滑、组合平滑。
