levitra bitcoin

+7(495) 123-XXXX  г. Москва

Хеин Мин Зо,  (Аспирант, Курский Государственный Университет, г.Курск)

В.М. Довгаль,  (Д.т.н., профессор, Курский государственный университет)

В.А. Кудинов,  (Д.п.н., профессор, Курская государственная сельскохозяйственная академия)

Серия «Естественные и Технические науки» # 05 2018
Речевые сигналы
    Речь играет важную роль в мультимедийной системе. Усиление речи – это удаление шума из речи для мультимедийных систем. Шум – это нежелательная интерференция в любую форму связи, как правило, деградирует качество информационного сигнала. Во время передачи и приема сигналы часто повреждаются шумом, который может вызвать серьезные проблемы для нисходящего потока обработки и восприятия пользователя. Поэтому автоматизированное средство снятия шума было бы бесценным первым этапом для многих задач обработки сигналов. Де-шумирование уже давно является объектом исследований, и все же всегда остается место для его улучшения. Существует так много техник для улучшения качества сигнала или для регенерации сигнала. В этой статье мы представляем метод шумоподавления речи с использованием вейвлет-преобразования. Часто бывает необходимо выполнять шумоподавление в системе обработки речи, работающей в высоко шумной среде. Вейвлет-преобразование является одним из наиболее перспективных техник, используемых при обработке сигналов, благодаря его способности разлагать сигналы и уменьшать шум, имеющий нестационарные характеристики.

Ключевые слова: Речевые сигналы, вейвлет-преобразование, дискретное вейвлет- преобразование (DWT).

 

ВВЕДЕНИЕ

Сигналы, служат для передачи информации из одного места в другое. Они могут быть в форме света, звука, изображения и т.д. Сигналы, используемые в качестве носителя в виде беспроводной связи, звуковой сигнал, используемый человеком для общения с другим человеком, изображение, используемое для наблюдения и понимания. Если вклады сигналов важны в нашей жизни, то их обработка также важна. Сигнал повреждается любым типом нежелательного сигнала, называемого мешающим сигналом, что приводит к снижению качества информации. Чтобы сохранить сигнал для дальнейшей обработки в не причинной операции, такой как хранение, сравнение, идентификация, проверка, цель исследования.

    Речевое шумоподавление – это область инженерии, в которой изучаются методы, используемые для восстановления исходной речи из шумных сигналов, поврежденных различными типами шумов. Шум может быть в виде белого шума, розового шума, шумового шума и многих других типов шума, присутствующих в окружающей среде. За последние десятилетия удаление шума из речевых сигналов является областью, представляющей интерес для исследователей при обработке речи. Вейвлет-методы в основном используются для шумоподавления речи. Основная идея вейвлетов – проанализировать по шкале. Вейвлет-преобразования могут разлагать сигнал на несколько шкал, которые представляют разные диапазоны частот, и в каждом масштабе, можно приближенно определить положение мгновенных структур сигнала. Такое свойство можно использовать для шумоподавления. Хотя без информации о сигнале, подлежащем анализу, вейвлет выбирает информацию, сильно уменьшая ее количество.

Вейвлет и мульти-разрешение

    Вейвлет – это малая волна, а вейвлет-преобразования преобразуют сигнал в серию всплесков и обеспечивают способ анализа осциллограмм, ограниченных как по частоте, так и по длительности. Это позволяет сохранять сигнал более эффективно, чем преобразование Фурье. Вейвлет-преобразование предпочтительнее преобразования Фурье (FT) и короткого временного преобразования Фурье (STFT), поскольку оно обеспечивает мульти-разрешение.

В сигнале временной области, независимой переменной является время, а зависимая переменная – амплитуда. Большая часть информации скрыта в частотном контенте. Используя вейвлет-преобразование, мы можем получить информацию о частоте, которая невозможна, работая во временной области. Анализ нестационарного сигнала с использованием преобразования Фурье и короткого преобразования Фурье не дает удовлетворительных результатов. Более эффективные результаты могут быть получены с помощью анализа вейвлет-преобразования. В коротком временном преобразовании Фурье используется фиксированное временное частотное разрешение, где, как и в вейвлет-преобразовании, используется технология мульти-разрешения. Одним из преимуществ анализа вейвлет-преобразования является способность выполнять локальный анализ. Вейвлет-анализ позволяет выразить внешний вид сигнала, что другие методы анализа пропускают, такие как точки пробоя, отсутствие непрерывности и т.д.

В мульти-разрешением анализе сигнал имеет хорошее временное разрешение и низкое частотное разрешение на высоких частотах, и другим способом хорошее разрешение по частоте и низкое временное разрешение на низких частотах [1]. Он более подходит для короткой продолжительности более высокой частоты и более длинная длительность низкочастотных компонентов. Предполагается, что низкие частоты появляются на всю длительность сигнала тогда как высокие частоты появляются время от времени как короткий интервал. Это часто бывает в практических приложениях.

Вейвлет-преобразование

В этой работе, мы изложили лишь некоторые ключи и понятия вейвлет-преобразования, более строгая математическая обработка этого вопроса можно найти в [2, 3, 4, 5]. Непрерывное время вейвлет-преобразование (CWT) f (t) определяется как:

Читать полный текст статьи …


СПИСОК ЛИТЕРАТУРЫ:
1. Prof. Dr. Ir. M. Steinbuch, Dr. Ir. M.J.G. van de Molengraft, June 7 (2005), Eindhoven University of Technology, Control Systems Technology Group Eindhoven, “Wavelet Theory and Applications”, a literature study, R.J.E. Merry, DCT 2005.53.
2. C. Gargour, M. Gabrea, V. Ramachandran, J. Lina. “A Short Introduction to Wavelets and Their Applications”, IEEE Circuits and Systems Magazine, ISSN: 1531-636X, vol. 2, pp. 57-67,2009.
3. C. Taswell. “The What, How and Why of Wavelet Shrinkage Denoising”, Computing in Science and Engineering, ISSN: 1521- 9615, vol. 2, no. 3, pp. 12-19, June 2000.
4. S. Tsai, “Wavelet Transform and Denoising”, Master's Thesis, URN: etd-12062002-152858, Chapter 4, pp. 35-42.
5. http://taco.poly.edu/WaveletSoftware/denoise2.html
6. http://www.xsgeo.com/course/basic.htm
7. James S. Walker, A primer on Wavelets and their scientific applications, 2nd Edition, Chapman & Hall/CRC USA, 2008.
8. Robi Polikar “The Wavelet Tutorial” Rowan University College of Engineering.
9. D. L. Donoho. “Denoising by Soft thresholding” IEEE Trans on Information Theory. 1995, vol. 41, no. 3, pp. 613-627.


©  Хеин Мин Зо, В.М. Довгаль, В.А. Кудинов, Журнал "Современная наука: актуальные проблемы теории и практики".
 

 

 

 
SCROLL TO TOP
viagra bitcoin buy

Rambler's Top100 �������@Mail.ru