الف- تغييرات طيف توان لحظهای نويز نسبت به مقدار ميانگين

• عبارات ضرب متقاطع[1] سيگنال و نويز
• نگاشت غيرخطی تخمينهای طيف که زير آستانه معينی قرار مي‎گيرد.

غالباً صحبت و نويز محيطی با هم همبستگی ندارند و بنابراين مقدار عبارت ضرب متقاطع صفر است؛ بنابراين مورد (ب) اهميتی ندارد. معمولاً منبع اعوجاج غالب در اين سه نوع، مورد آخری مي‎باشد. اين اعوجاج يک نويز صوتی فلزي[2] توليد مي‎کند که به نام نويز موزيکال (که قبلاً اشاره شد) مشهور است. اين نويز از سيگنالهای باند باريكی كه دامنه و فركانس آنها با زمان تغيير مي‎كند، تشكيل شده است. موفقيّت الگوريتمهای تفريق طيفی به توانايی آنها در کاهش تغييرات نويز و برداشتن اعوجاج حاصل از پردازش بستگی دارد.

نويز باقيمانده در بدترين حالت که حالت معمول آن مي‎باشد، دو فرم زير را دارد:

• يک درّه يا قلّه در طيف سيگنال
• باندهای فرکانسی باريک مجزا از هم

اين درّه‌ها و قلّه‌ها اگر در مجاورت فرکانسهايی که دامنة بزرگ دارند قرار داشته باشند، غالباً بوسيله انرژی بالای سيگنال پوشيده[3] و نامحسوس مي‎شوند. علّت اصلی تنزل محسوس کيفيت صحبت، مؤلّفه‌های فرکانسی گسسته نويز هستند که در شکل (3-7) مشاهده مي‎شود.

[1] Cross-product Terms

[2] Metallic

[3] Mask

3-5-1  اثر تفريق طيفی روی توزيع سيگنال

شکل (3-8) اثر اعوجاج تفريق طيفی روی توزيع دامنة طيف سيگنال را نشان مي‌دهد. در اين شکل ما حالت ساده که در آن طيف سيگنال به دو بخش تقسيم شده را در نظر مي‎گيريم: يک باند فرکانسی پايين  و يک باند فرکانسی بالا. هر نقطه شکل (3-8) ترسيمی از طيف فرکانس بالا بر حسب طيف فرکانس پايين در فضای دو بعدی سيگنال مي‎باشد. شکل (a) توزيع مفروضی از نمونه‌های طيفی يک سيگنال در فضای دو بعدی اندازه- فرکانس را نشان مي‎دهد. همان طور که در شکل (b) نشان داده شده است، اثر نويز تصادفی افزايش ميانگين و واريانس طيف مي‌باشد. ميزان اين افزايش بستگی به ميانگين و واريانس طيف اندازة نويز دارد. افزايش ميانگين طيف اندازه را مي‎توان از طريق تفريق طيفی حذف کرد؛ ليکن افزايش در واريانس سبب اعوجاج غيرقابل برگشت مي‌گردد[8]. شکل (c) اثر اعوجاج تفريق طيفی روی توزيع طيف سيگنال را نشان مي‌دهد. همان طور که مي‌بينيم، به دليل افزايش واريانس طيف سيگنال در اثر نويز، پس از تفريق طيف متوسط نويز، يک نسبت از تجمع سيگنال بخصوص قسمتهايی که دارای SNR کم هستند منفی شده و بايد به مقادير غيرمنفی تبديل شوند. اين پروسه توزيع بخشی از طيف که دارای SNR پايين است را اعوجاج مي‌دهد.

3-5-2 کاهش نويز مانده

روشهای زيادی برای کاهش نويز مانده پيشنهاد شده اند که از جمله آنها مي‎توان به ميانگينگيری از سيگنال نويزي، استفاده از خاصيت تصادفی بودن قاب به قاب نويز مانده، فيلتر کردن به روش Soft-Decision [50]، اعمال محدوديتهای شکل شناختی روی طيف سيگنال[57] و … نام برد. در بخشهای زير برخی از روشهای کاهش نويز مانده مورد بررسی قرار مي‎گيرد.

3-5-2-1 متوسط گيری طيف

 از آنجا که خطای طيفی معادل است با اختلاف بين طيف نويز در هر قاب و متوسط طيف نويز تخمين زده شده؛ بنابراين برای کاهش مقدار آن مي‎توان از طيف سيگنال نويزی متوسط محلی گرفت. به بيان رياضی برای نويز سفيد با واريانس σ_n² مي‌توان نشان داد که واريانس طيف توان نويز N(f) برابر است با

(3-16)

و واريانس ميانگين هر k مؤلّفة طيفی مستقل، عبارتست از:

(3-17)

با توجّه به معادلة بالا مي‌بينيم که تغييرات نويز را مي‎توان با متوسط گيری زمانی از اجزاء فرکانسی سيگنال نويزی کاهش داد. محدوديت اساسی اين راهکار اينست که فرآيند متوسط گيری علاوه بر کاهش واريانس نويز، اثر نامطلوبی نيز روی تغييرات زمانی طيف سيگنال دارد؛ بنابراين در فرآيند متوسط گيری مصالحهای بين ميزان کاهش واريانس نويز و درجه تفکيک زمانی رخدادهای طيفی غير ايستان بايد صورت گيرد. اين مسئله مهمی است؛ زيرا درجه تفکيک زمانی نقش مهمی در کيفيت و فهم سيگنالهای صوتی بازی مي‌کند. در تفريق طيفی سيگنال نويزی y(m) به بلوکهای N نمونهای بخش بندی شده و هر بلوک با دستور DFT به بلوکهايی با N نمونه طيفی Y(f) تبديل مي‌شود. بلوکهای متوالی نمونه‌های طيفي، ماتريس دوبعدی زمان-فرکانسی را بوجود مي‌آورند که با Y(f,t) نشان داده مي‌شود. (t :انديس بلوکها که نمايشگر بعد زمانی است.) سيگنال Y(f,t) را مي‌توان حاصلجمع سيگنال متغير با زمان X(f,t) با نويز تصادفی N(f,t) در نظر گرفت. يک راه برای کاهش تغييرات نويز، فيلتر کردن پايين گذر طيف اندازه در هر فرکانس مي‌باشد. برای مثال يک فيلترينگ ساده از نوع پايين گذر بازگشتی از مرتبه يک با رابطة زير داده مي‌شود:

(3-18)

که در آن ضريب هموار سازي[1] ρ ، پهنای باند و ثابت زمانی فيلتر پايين گذر را کنترل مي‌کند.

روش مشابه ديگری که در عمل کاربرد زيادی برای کاهش نويز موزيکال دارد، ميانگين‎گيری وزن‎دار  مي‌باشد[40]. اين فرآيند در اصل واريانس نويز را روی سيگنال صحبت نويزی کاهش مي‌دهد، از طرفی محتويات طيفی صحبت را نيز تقويت مي‌کند؛ بنابراين از تفريق مخرب جلوگيری مي‌کند. در اينجا هم، به واسطه ايستان بودن کوتاه مدت صحبت، تعداد قابهای همسايه برای ميانگين‎گيری محدود است. حالت کلّی عمل ميانگين‎گيری وزن‎دار به صورت رابطة زير است:

(3-19)

که در آن i انديس قاب و W_j ضرايب مورد استفاده برای وزن دهی قابها است. وقتی W_j=1 (به ازای هر j ) است، ميانگين‎گيری از نوع ساده آن مي‌شود و در غير اينصورت ميانگين‎گيری وزن‎دار خواهد بود[40].

3-5-2-2 فيلتر کردن اعوجاجهای ناشی از پردازش

سيگنالهای صوتی مانند صحبت و نويز، ترکيبی از رشته رخدادهای آکوستيکی غيرايستان هستند. رخدادهای آکوستيکی طول عمر متغيری دارند و با شدّتها و ترکيبهای فرکانسی مختلفی ظاهر شده و محو مي‌شوند. طبيعت متغير با زمان سيگنالهای صوتي، نقش مهمی در انتقال اطلاعات و کيفيت آن دارد. نويز موزيکال حاصل از تفريق طيفی نيز متغير با زمان است. ليکن تفاوتهای مهمی بين اغلب سيگنالهای صوتی و نويز موزيکال وجود دارد که اين وجه افتراق مي‌تواند در شناسايی و حذف برخی از مؤلّفه‌های اعوجاج که آشکارتر هستند، بکار گرفته شود. شناسايی نويز موزيکال ممکن است با بررسی تغييرات سيگنال در حوزه‌های زمان و فرکانس صورت گيرد. مشخّصه اصلی نويز موزيکال اينست که اين نويز شبيه انفجارهای تصادفی مجزا از هم با طول عمر نسبتاً کوتاه از سيگنالهای باند باريک که اندازه‌های نسبتاً کوچکی دارند مي‌باشد. برای مثال بررسی نشان مي‌دهد اگر طول بلوکها 128 نمونه و فرکانس نمونه برداری ^kHz20 باشد، اکثريت قريب به اتفاق مؤلّفه‌های نويز موزيکال بيش از سه قاب دوام ندارند. در حالی که مؤلّفه‌های سيگنال خالص دارای طول عمر بسيار بزرگتری هستند. اين موضوع پايه يک سيستم کارای حذف نويز موزيکال مي‌تواند باشد. شکل (3-9) روشی برای شناسايی نويز موزيکال ارائه مي‌دهد. هر مؤلّفة طيف حاصل از تبديل فوريه گسسته برای شناسايی رخدادهای فرکانسی با عمر کوتاه، بررسی مي‌شود. اگر يک مؤلّفة فرکانسی دارای طول عمر کمتر از پنجره زمانی از پيش تعيين شده باشد و اندازهای کمتر از يک ميزان آستانه داشته باشد و از طرفی با اجزای سيگنال در مؤلّفه‌های فرکانسی مجاور پوشيده[2] نشود، در اين صورت به عنوان اعوجاج شناخته شده و حذف مي‌گردد.

3-5-2-3 استفاده از خاصيت تصادفی بودن قاب به قاب نويز مانده

  اين روش بر مبنای جانشينی مقدار قاب حاضر با مقدار مينيممی از قابهای مجاور مي‌باشد[3]. اگر برای برخی از مؤلّفه‌های فرکانس، اندازة طيف صحبت تخمينی در قاب mام کمتر از ماکزيمم نويز مانده باشد و اگر از قاب به قاب ديگر متفاوت باشد، در اينصورت اين احتمال وجود دارد که طيف صحبت در آن فرکانس ناشی از نويز باشد؛ بنابراين نويز مي‌تواند توسط گرفتن حدّاقل مقدار مابين قابهای مجاور قاب m، کاهش يابد. اگر طيف صحبت تخمينی در آن فرکانس کمتر از ماکزيمم نويز مانده بود و تقريباً بين قابهای همجوار ثابت بود، در اينصورت احتمال زيادی وجود دارد که طيف فرکانس صوتی با انرژی پايين را ارائه بدهد؛ بنابراين با گرفتن مينيمم محتوای اطلاعات تحت تأثير قرار نخواهد گرفت. از طرف ديگر اگر طيف صحبت تخمينی در آن فرکانس بيشتر از اندازة ماکزيمم نويز مانده بود، در اينصورت در آن محل طيف، صحبت وجود دارد؛ بنابراين کم کردن صوت مزاحم کافی است[3][5]. به بيان رياضي:

(3-20)

که در آن،

(3-21)

ضريب l برای جلوگيری از اعوجاج صحبت اضافه شده است. مقدار آن معمولاً 6/0 انتخاب مي‌شود[45].

3-5-2-4 تعيين کف طيفي[3]

روش ديگر کاهش نويز مانده، اجتناب از مؤلّفه‌های طيفی پردازش شده که زير يک آستانه معين قرار مي‌گيرند، مي‌باشد[55]. رابطة زير نحوة اين عمل را نشان مي‌دهد. اين رابطه به‎جای عمل يکسوسازی مقادير منفی بکار مي‌رود.

(3-22)

که در آن b پارامتر تعيين کف طيفی است و مقدار آن بين صفر و يک مي‌باشد. بکارگيری کف طيفی سبب مي‎شود با کم کردن خطای طيفي، درصد قلّه‌ها و درّه‌های باريک طيفی به حدّاقل برسد. مؤلّفه‌های طيفی که زير مقدار  قرار داشته باشند، حذف مي‌شوند. وقتی b>0 باشد، درّه‌های بين قلّه‌ها به اندازة حالت b=0 عميق نيستند؛ بنابراين خطای طيف کمتر خواهد بود و بنابراين از مقدار نويز موزيکال کاسته خواهد شد. تفسير ديگر برای b اينست که وقتی b>0 باشد، مقدار قلّه‌های نويز باقيمانده با مؤلّفه‌های طيفی مجاور خود پوشش داده مي‌شوند. اين مؤلّفه‌های مجاور در واقع نويز پهن باند هستند که به واسطه تعيين کف طيفی ظاهر شده‌اند. به ازای b<<1 نويز اضافه شده پهن باند نيز بسيار کمتر از تفريق طيفی ساده با يکسوسازی نيم موج (b=0) خواهد بود[55]. کف طيفی را کسری از طيف توان نويز اوّليه در نظر مي‎گيرند تا نويز پهن باند کاهش يابد؛ در اين صورت b را مي‎توان ضريب تضعيف نويز ناميد. برای مثال با b=0.01 ،20 دسیبل تضعيف در نويز پهن باند بوجود مي‌آيد. مقادير مختلف a (فاکتور فوق تفريق) و b مصالحهای بين مقدار نويز پهن باند باقی مانده و سطح نويز موزيکال بوجود مي‌آورند. اين مورد در قسمت 3-5 بررسی شده است. شگرد ديگر برای پوشش دادن به نويز موزيکال اينست که مقدار کمی (مثلا حدود 5%) از طيف سيگنال نويزی اوّليه را به طيف بهبود يافته اضافه کرد[40]. اين عمل بهتر است پس از اعمال روشهای ديگر کاهش نويز موزيکال صورت گيرد تا نويز مانده نهايی بوسيله آن پوشيده شود.

3-5-2-5 کاهش اضافی سيگنال در بازه‌های سکوت

در طول بازه‌هايی که سکوت تشخيص داده شده، بهتر است سطح سيگنال تضعيف گردد. اين عمل سبب تضعيف کيفی نويز مي‌گردد، از طرفی صفر کردن سيگنال در اين بازه‌ها درست نيست؛ زيرا سبب تقويت کيفی نويز در طول بازه‌های صحبت مي‌گردد. بنابراين بهتر است تخمين طيف خروجی در اين بازه‌ها ضريب تضعيفی داشته باشد. دليل آنرا مي‎توان به اين صورت بيان کرد که از آنجا که نويز موجود در بازه‌های صحبت تا حدی با صحبت پوشش داده مي‌شود، مقدار باقيمانده آن بايد با مقداری نويز در طول بازه‌های سکوت متوازن شود[3][54].

[1] Smoothing Coefficient

[2] Mask

[3] Spectral Floor

لینک دانلود فایل کامل

نوشته اعوجاجهای ناشی از پردازش اولین بار در ايران متلب. پدیدار شد.

       در اين روش فرضهای زير در نظر گرفته شده‌اند:  الف– نويز زمينه با سيگنال صحبت جمع پذير است.  ب-  نويز محيطی به طور محلی ايستان باقی مي‎ماند، يعنی متوسط آماری اندازة طيفی نويز در غياب صحبت، با متوسط آماری اندازة طيفی نويز در حضور صحبت مساوی مي‎باشد. اگر محيط به يک محيط ايستان جديد تغيير يابد، بايد زمان کافی ( حدود 300 ميلی ثانيه ) سکوت وجود داشته باشد تا بتوان متوسط آماری اندازة طيفی نويز زمينه جديد را تخمين زد و بايد صحبت جديد بعد از اين زمان ارائه گردد[3]. با توجّه به فرضهای مزبور، مراحل انجام الگوريتم به ترتيب زير است:  ابتدا سيگنال صحبت توسط ميکروفون ضبط مي‎شود. سپس نمونه‌ها با همپوشانی 50% (نوعاً) پنجره مي‎شوند. اندازة طيف داده‌های پنجره شده، محاسبه گرديده و در لحظاتی که صحبت وجود ندارد، طيف اندازه يا توان نويز تخمين زده مي‎شود. پس از تفريق طيف، نمونه‌های حاصل به حوزة زمان آورده شده و پنجرههای زمانی حاصل شده با استفاده از تکنيک همپوشانی و افزودن (OLA)[2] کنار هم قرار گرفته و صحبت بهبود يافته قابل دسترس خواهد بود[51]. بلوک دياگرام ساده شده سيستم در شکل (3-1) ديده مي‌شود.

توجّه شود که اگر سيگنال ايستان باشد، برای محاسبه طيف آن مي‎توان از تبديل فوريه معمولی در يک محدوده زمانی وسيع استفاده کرد. اما اگر سيگنال ايستان نباشد، تنها در صورتی مي‎توان طيف آنرا محاسبه کرد که در فواصل کوتاه زمانی بتوان آنرا ايستان فرض نمود و در آن فواصل کوتاه بايد از تبديل فوريه کوتاه مدت استفاده کرد. سيگنال صحبت را مي‎توان حدود 20 ميلی ثانيه ايستان فرض نمود[52]. (به اين بازة زمانی قاب مي‎گويند.) سرعت بيان گوينده باعث تغييرات طول قاب ايستان بودن صحبت مي‎شود. فرض کنيد در يک قاب 10 ميلی ثانيهای طيف صحبت که در پنجره مستطيلی ضرب شده، محاسبه شود. در اين صورت طيف صحبت با طيف پنجره تداخل کرده و مشخّصه طيفی را خراب مي‎کند. برای رفع اين مشکل بايد نمونه‌های زمانی صحبت را در پنجرهای غيرمستطيلی ضرب کرد، به طوری که در حوزة فرکانس توان گلبرگهای فرعی ناچيز باشد تا طيف صحبت را خراب نکند. برای سيگنال صحبت پنجره‌های قابل استفاده بيشتر همينگ[3] و هنينگ[4] مي‎باشد[51]. مسئله ديگر انتخاب طول پنجره است. طبق تحقيقات به عمل آمده، طول پنجره بايد بيش از دو برابر بالاترين دورة تناوب گام صحبت باشد[53]. دورة تناوب گام بسته به افراد مختلف متفاوت است و تا حدود 16 ميلی ثانيه تغيير مي‎کند. اين محدوده تغييرات دورة تناوب گام به فرکانس صحبت افراد، نوع جنسيت و حالات روحی گوينده بستگی دارد. با توجّه به تغييرات دورة تناوب گام، به طور متوسط طول پنجره را بين 24 تا 40 ميلی ثانيه مي‎توان در نظر گرفت. تبديل فوريه در قابها انجام مي‎گيرد و از آنجا که محاسبه طيفی بايد روی نمونه‌های بيش از دو برابر دورة تناوب گام صحبت صورت پذيرد از پنجره استفاده مي‎کنيم. در واقع پنجره باعث مي‎شود نمونه‌های قابهای مجاور در محاسبه طيف قاب مورد نظر دخالت کرده و در نتيجه طيف بهتری از سيگنال صحبت را شامل شود. با توجّه به اينکه طول پنجره 40 ميلی ثانيه و طول قاب 20 ميلی ثانيه در نظر گرفته مي‎شود، اگر پنجره‌ها با هم 50% تداخل داشته باشند، مشخّصه طيفی هر قاب به طور قابل قبولی محاسبه مي‎شود[3].  شکل (3-2) نحوة پنجره کردن را نشان مي‎دهد[51][54].

بين طول پنجره و مشخّصه طيفی سيگنال يک بده-بستان[5] وجود دارد. با بزرگ شدن طول پنجره فرض ايستان بودن صحبت غير واقعی تر شده و دقّت زمانی سيگنال کاهش مي‎يابد و اگر طول پنجره کوچک شود، دقّت در حوزة فرکانس کم مي‎شود. نکته ديگر اينکه عمل تفريق طيفی در واقع تفريق دامنه‎هاست و با فاز کاری ندارد. معمولاً فاز اوّليه يعنی فاز طيف آغشته به نويز به عنوان فاز تفريق طيفی در نظر گرفته مي‎شود. اين روال به منظور سادگی محاسبات و پيچيده نشدن فرمولهاست، چرا که گوش انسان به فاز حساسيت چندانی ندارد. توجّه شود که تفريق طيفی را مي‎توان هم بر روی “طيف توان” و هم “طيف اندازه” انجام داد که دو روش تفاوت چندانی با هم ندارند. محاسبات و فرمولهای بکار رفته در بخش سوم آورده شده است[8][18][51].

3-2-1   خطای طيفي

خطای طيف سيگنال حذف نويز شده نسبت به طيف سيگنال صحبت خالص در هر پنجره را خطای طيفی مي‎ناميم. خطای طيفی به دليل وجود خطا در تخمين نويز بوجود مي‎آيد و اشکالی که بوجود مي‎آورد اينست که اندازة طيف تخمينی نويز لزوما از اندازة طيف سيگنال نويزی کوچکتر نمي‎باشد (در حالی که در واقع اينگونه است؛ زيرا سيگنال نويزی حاصلجمع سيگنال خالص و نويز مي‎باشد.) بنابراين پس از تفريق ممکن است طيف دامنه هميشه دارای مقادير مثبت نبوده و دارای مقادير منفی نيز باشد. در بسياری از سيستمها اين مسئله توسط انجام تصحيح‌های نيم موجی يا تمام موجی اصلاح مي‎شود؛ يعنی بخشهای منفی را صفر در نظر مي‎گيرند و يا فقط مقدار قدر مطلق آنرا در نظر مي‎گيرند. اين فرآيند يکسوسازی غيرخطي، در توزيع سيگنال بازيابی شده، اعوجاج بوجود مي‎آورد. هر چه نسبت سيگنال به نويز (SNR) کمتر باشد، ميزان اعوجاج بيشتر مي‎شود[8]. روشهای برطرف کردن اين اشکال در بخشهای بعد مورد بررسی قرار گرفته است.

[1] Additive

[2] Overlap & Add

[3] Hamming

[4] Hanning

[5] Trade-off

لینک دانلود فایل کامل

نوشته بهبود صحبت با روش تفريق طيفي- شرح روش، فرضها و محدوديتها اولین بار در ايران متلب. پدیدار شد.

كيفيت سيگنال معياری است قابل محاسبه[1] از ميزان مطبوعيت صوتی سيگنال پاكسازی شده برای شنونده.   قابليت فهم[2] از سوی ديگر، معياری است کيفي[3]  از ميزان اطلاعاتی كه شنونده مي‎تواند از گفتار استخراج كند؛ چه گفتار نويزی باشد و چه خالص. ممكن است سيگنال از كيفيت خوبی برخوردار باشد ولی قابليت فهم آن پايين باشد. سيستمهای پاكسازی گفتار معمولاً كيفيت سيگنال را بالا مي‎برند، ولی تا حدی از قابليت فهم آن مي‎كاهند[38].

هنوز رابطة بين کيفيت صحبت پردازش شده و قابليت فهم آن بهخوبی شناخته نشده است. ليکن مشخّص شده که صحبت غير قابل درک نمي‎تواند کيفيت بالايی داشته باشد؛ ولی عکس آن درست نيست. برای يک شنونده مهم است که سيگنال قابل فهم باشد، حتی اگر به قيمت تنزل در کيفيت صحبت باشد. تستهای ارزيابی کارايی به دو صورت هستند: يکی تستهای محاسباتی کيفيت و دوّم تستهای کيفی آن. اندازه گيريهای کيفی نمي‎تواند بهبود اندک در قابليت فهم صحبت را نشان دهد؛ چرا که به تفاوت “بزرگي” در کيفيت دو صحبت پردازش شده خروجی نياز است تا شنونده بتواند به اختلاف آن دو پی ببرد؛ بنابراين با تغيير پارامترهای يک الگوريتم نمي‎توان از راه حسی به بهبود فهم يا بدتر شدن آن پی برد. از طرف ديگر معيارهای محاسباتی بسادگی قابل تحقق بوده و با اطمينان بالايی مي‎توان به کرات از آن برای تست صحبتهای مختلف پردازش شده استفاده کرد. اندازه گيريهای محاسباتی مبتنی بر مقايسه رياضی وار سيگنالهای صحبت اوّليه و پردازش شده مي‎باشند. اکثر اندازه گيريهای محاسباتی کيفيت، کيفيت صحبت را بر حسب يک معيار عددی فاصله و يا يک مدل کيفی کيفيت صحبت که از روی سيستم شنوايی انسان بدست آمده است، ارزيابی مي‎کنند. مطلوب اينست که اندازه گيريهای محاسباتی با قوه تمييز کيفی انسان از صحبت مطابقت داشته باشند. ليکن آزمايشها نشان داده است که نتايج حاصل شده از اندازه گيريهای محاسباتی با نتايج اندازه گيريهای کيفی همبستگی چندانی ندارند. از متداولترين معيارهای ارزيابی صحبت مي‎توان به معيار SNR ، معيار ايتاکورا-سايتو[4] (IS)، اسپکتروگرام صحبت و ارزيابی کيفی صحبت اشاره کرد که در زير توصيف مي‎شوند:

• نسبت سيگنال به نويز (SNR)

SNR معيار رايج در اندازهگيری کيفيت صحبت مي‎باشد. SNR نسبت توان سيگنال به توان نويز در مقياس دسي‎بل مي‎باشد و به صورت زير محاسبه مي‎شود[40-39]:

(2-1)

که در آن S(n) سيگنال صحبت خالص و  سيگنال صحبت بهبود يافته مي‎باشد. اگر عمل جمع ∑ روی کل سيگنال انجام شود، اين رابطه SNR سراسري[5] را مي‎دهد. معيار ديگر اينست که جمع ∑ را روی بازه‌های کوچکتری صحبت و يا روی قابها اعمال کرده و نهايتاً از تمام نتايج حاصله ميانگين گرفت. به اين روش SNR قطعهاي[6] مي‎گويند. در محاسبه SNR با روش اوّل (SNR سراسري) مقادير کوچک SNR محلی تأثير چندانی روی SNR کل ندارند. اين مقادير کوچک در صحبت با دامنه‌های پايين ايجاد مي‎شود و در نتيجه اثر آنها در نظر گرفته نمي‎شود. ولی در روش محاسبه SNR قطعهای اين مقادير بهتر منعکس مي‎گردند.

 ثابت شده است که SNR قطعهای نسبت به SNR سراسری همبستگی بيشتری با نتايج کيفی دارد[39].

• معيار فاصله ايتاکورا- سايتو[7] (IS)

اين معيار بر مبنای اختلاف و شباهت بين مدل تمام قطب سيگنال خالص و سيگنال نويزی يا پردازش شده مي‎باشد. اين روش به هر نوع عدم تطبيق در موقعيت فرمنتها در دو صحبت خالص و نويزی يا پردازش شده، حساس بوده و نسبت به خطا در موقعيت درّه‌های طيفی حساسيت چندانی ندارد. اين رفتار، مطلوب است؛ زيرا سيستم شنوايی به خطا در محل فرمنتها و پهنای باند حساستر است تا به درّه‌های بين قلّه‌های طيفي.

 اين معيار با رابطة زير محاسبه مي‎شود[40]:

(2-2)

که در آن  و  بترتيب بهره‌های تمام قطب بخشهای صحبت بهبود يافته و صحبت خالص هستند. و  بترتيب بردارهای ضرايب پيشگويی خطی بخشهای صحبت بهبود يافته و صحبت خالص مي‎باشند.  و  نيز بترتيب ماتريسهای خودهمبستگی بخشهاي[8] صحبت بهبود يافته و صحبت خالص مي‎باشند. اين روش همبستگی 59% با اندازه گيريهای کيفی دارد[39]. محدوده عددی معيار IS معمولاً بين 0 تا 10 است و هر چه مقدار حاصل شده کمتر باشد، مبين فاصله کمتر و کيفيت صحبت بهتر خواهد بود.

• اسپکتروگرام سيگنال

سومين ابزار متداول در اندازهگيری کيفيت صحبت، اسپکتروگرام صحبت مي‌باشد[41]. اسپکتروگرام در واقع نمودار زمان – فرکانسی طيف کوتاه مدت سيگنال را نشان مي‎دهد. اندازه گيريهای محاسباتی نمي‎توانند در مورد ساختار نويز مانده اطلاعاتی به ما بدهند. اسپکتروگرامهای صحبت ابزاری بسيار مناسب برای مشاهده اين ساختار مي‎باشند.

• ارزيابی کيفي[9]

ارزيابی کيفی با مقايسه بين سيگنال اصلی و پردازش شده از طريق گوش دادن افراد و امتياز بندی بر اساس رتبه‌های از قبل تعيين شده انجام مي‎شود.

[1] Objective

[2] Intelligibility

[3] Subjective

[4] Itakura-Saito

[5] Global SNR

[6] Segmental SNR

[7] Itakura-Saito

[8] Segments

[9] Subjective

لینک دانلود فایل کامل

نوشته روش ارزيابی ميزان بهبود صحبت اولین بار در ايران متلب. پدیدار شد.

      در دهه‌های گذشته روشهای بسياری برای کاهش نويز محيطی از سيگنال صحبت ارائه شده و توسعه يافته‌اند[8][14]. بسياری از اين روشها مبتنی بر آرايه‌های وفقی بوده و عمدتاً نياز به چندين سنسور دارند[9][17-15]. از ميان اين روشها، آنهايی که امکان پياده‌سازی ارزان را داشته و به توان محاسباتی کمتری نياز دارند و علاوه بر اين نياز به سنسورهای چندگانه نداشته و قادر به حذف نويز روی صحبت نويزی تک کاناله باشند، از لحاظ تجاری دارای اهميت خاصی هستند؛ چرا که سيستمهای تجاری پردازش صحبت مثل ماشينهای پاسخگوی ديجيتال، تلفنهای همراه يا حتی تلفنهای هوشمند عمدتاً نمي‌توانند دارای چند ورودی باشند، چرا که در اين صورت نياز به مبدلهای A/D چندگانه پيدا مي‌کنند که سبب بالا رفتن قيمت سيستم مي‌شود. علاوه بر اين سيستم با چند ورودي، حافظه بيشتر و توان پردازش بالاتری مي‌طلبد که مستقيما افزايش قيمت را به دنبال دارد[18].

عموماً روشهای بهبود صحبت تک کاناله فرض مي‎کنند که مشخّصه‌های آماری نويز بسيار بيشتر از مشخّصه‌های آماری صحبت ايستان است، به طوری که مي‎توان خواص آماری نويز را در طول بازه‌های سکوت تخمين زد. در سالهای اخير روشی موسوم به “مشخّصه‌های آماری حدّاقل”[1]  ارائه شده است که در آن چگالی طيف توان نويز را مي‎توان در طول بازه‌های صحبت با دنبال کردن مينيمم‎های طيفی سيگنال نويزی تخمين زد[19].

در محيطهای واقعی سيگنالهای صحبت و نويز به طور قابل توجّهی در حوزة زمان و فرکانس با هم تداخل دارند. اين مساله سبب مي‎شود حذف نويز به صورت تک کاناله کاری دشوار بوده و همواره باعث ايجاد اعوجاج در صحبت و بروز نويزی به نام “نويز موزيکال” گردد[20]، که اين امر بخصوص در SNRهای پايين و نويزهای غير ايستان مشهود است.

روشهای کاهش نويز پهن باند بهصورت تک کاناله را به طور کلّی مي‎توان به چهار دسته تقسيم کرد که در بخشهای زير تشريح مي‎گردند.

2-5-1 روشهای کاهش نويز پهنباند به کمک خاصيت متناوب بودن صحبت

اين روشها از اين حقيقت استفاده مي‎کنند که شکل موج صحبت واکدار دارای طبيعت شبه متناوب با دورة تناوب وابسته به فرکانس اصلي[2] است. روشهای وفقی يک گروه از روشهايی است که به اين منظور پيشنهاد شده است. روشهای وفقی اصولاً برای حذف نويز دو يا چند کاناله استفاده مي‎شوند، ليکن برای صحبت تک کاناله که مرجع نويز (از طريق کانال دوم) در دسترس نيست، مي‎توان با تاخير دادن به سيگنال صحبت نويزی ورودی به اندازة يک يا دو گام صحبت، يک سيگنال مرجع که دارای همبستگی زياد با سيگنال صحبت و همبستگی کم با نويز  باشد را بدست آورد[21]. برای تنظيم ضرايب فيلتر معمولاً معيار متوسط مربع خطا[3] (MSE) بکار مي‎رود. برای اينکار الگوريتمهای متعددی طرح شده‌اند. از جمله اين الگوريتمها مي‎توان به LMS[4] و RLS[5] اشاره کرد[4][22]. شکل (2-4) بلوک دياگرام کلّی اين روش را نشان مي‎دهد.

روش ديگر مبتنی بر خاصيت شبه متناوبي، فيلتر شانه اي[6] مي‎باشد[23]. فيلتر شانهای سيگنال نويزی را در حوزة فرکانس با رشتهای از توابع ضربه[7] که فواصل آنها از هم برابر دورة تناوب سيگنال صحبت است، ضرب مي‎کند. اين عمل در حوزة زمان معادل است با ميانگين‎گيری از شکل موج سيگنال در چند دورة تناوب. اين روش فرض مي‎کند که نويز از نوع ايستان کوتاه-دوره است. اثرات فيلتر شانهای روی صحبت با انواع نويزها و SNRهای مختلف در مرجع [24] ارزيابی شده است. آزمايش‌ها نشان داده است که با وجودی که SNR در اين روش افزايش مي‎يابد،از ميزان فهم صحبت واقعاً کاسته مي‎شود.

عيب اصلی اين روشها اين است که آنها تنها مي‎توانند بخشهای صدادار صحبت را بهبود دهند. اين روشها برای بخشهايی از صحبت که دارای حالت گذرای سريع هستند و قسمتهای واکدار از نوع سايشي[8] و قسمتهای بی واک مفيد نيستند. اگر از يک روش پردازش جداگانه برای بهبود قسمتهای بی واک استفاده شود معمولاً نياز به يک آشکارساز مقاوم[9] بخشهای واکدار/بی واک خواهد بود. کارايی اين آشکارسازها در حضور نويز کاهش مي‎يابد، علاوه بر اين نويز عامل محدود کنندهای برای دقّت تخمين دورة تناوب گام مي‎باشد.

2-5-2  بهبود صحبت مبتنی بر مدل

گروه ديگر از روشهای رايج بهبود صحبت بر مبنای استفاده از روشهای آماری برای مدل کردن سيگنال و نويز مي‎باشد. صحبت خالص را مي‎توان بوسيله تابعی از پارامترهای تصادفی مشاهدات صحبت نويزی مشخّص کرد. برای اينکه از اين راهکار استفاده کرده و سيگنال خالص را از روی سيگنال نويزی تخمين بزنيم، نياز به اطلاعات دقيقی از مشخّصه‌های آماری مشترک فرآيند صحبت خالص و نويز داريم. علاوه بر اين، معياری برای اندازهگيری اعوجاج سيگنال‌های صحبت که از لحاظ کيفی معنادار باشد، نيز مورد نياز است؛ بنابراين اگر سيگنالهای صحبت با نويزی که از لحاظ آماری مستقل است آغشته شود، توزيع احتمال حاشيهای سيگنال صحبت خالص و نويز بايد به طور دقيق معلوم باشد. ليکن در عمل مشخّصه‎های آماری سيگنال صحبت و نويز، هيچکدام معلوم نيست. از اين رو روش تئوريکی بالا در دو مرحله به صورت زير بکار گرفته مي‎شود: ابتدا مشخّصه‌های آماری سيگنال و نويز از داده‌های تعليمی صحبت و نويز تخمين زده مي‎شود، از اين طريق با ايجاد يک راه حل زير- بهينه[10] از مدلهای آماری استفاده مي‎شود. سپس همراه با معيارهای اندازهگيری اعوجاج برای بهبود صحبت استفاده مي‎شود.

روشهای مختلفی برای مدل کردن صحبت مورد استفاده قرار مي‎گيرند، نظير ميانگين‎گيری لغزان[11] (MA)، ميانگين‎گيری خودبازگشتي[12] (AR) يا ميانگين‎گيری لغزان خودبازگشتي[13] (ARMA). برای تخمين پارامترهای يک مدل صحبت، از سه قاعده تخمين استفاده مي‎شود که عبارتند از بيشترين احتمال[14] (ML)، بيشترين احتمال پسين[15] (MAP) و حدّاقل خطای ميانگين مربع[16] (MMSE).  اين معيارها دارای خواص کاربردی بسيار زيادی هستند[25]. ML اغلب برای پارامترهای غيرتصادفی بکار مي‎رود. قواعد تخمين MAP و MMSE غالباً برای پارامترهايی که مي‎توانند به عنوان متغيرهای تصادفی با تابع چگالی پيشين[17] معلوم در نظر گرفته شوند، بکار مي‎روند. اکثر روشهای پارامتري، سيگنال صحبت و گاهی اوقات سيگنال نويز را به صورت يک مدل تصادفی AR مدل مي‎کنند[28-26]. سپس يک فيلتر کالمن (در حوزة زمان)[29-28] يا فيلتر وينر (در حوزة فرکانس) [26][30-29] بر مبنای تخمين پارامترهای AR محاسبه مي‎گردد و سپس به سيگنال صحبت نويزی اعمال مي‎گردد. برای نمونه يکی از اين روشها در [31] ارائه شده است که در آن برای سيگنال صحبت يک مدل AR متغير با زمان فرض مي‎شود و با استفاده از تخمين MAP هم مدل سيگنال و هم خود سيگنال از روی سيگنال نويزی تخمين زده مي‎شود. عمل ماکزيمم کردن تابع بخت[18] به طور تکراری انجام مي‎شود. اينکار يکبار با استفاده از مدل AR با اين فرض که سيگنال نويزی موجود، سيگنال خالص است انجام شده و بار ديگر با استفاده از مدل تخمينی و با اين فرض که تخمينی از طيف توان نويز موجود است، روی سيگنال حذف نويز شده صورت مي‎گيرد. تاکنون تغييرات و ايده‌های بسياری بر مبنای اين روش پيشنهاد گرديده است[33-32].

روشهای بهبود صحبت مبتنی بر مدل مخفی مارکوف[19] (HMM) گروه ديگری است که در زمره اين روشها قرار دارد. مدلهای صحبت مبتنی بر HMM از اين جهت که مي‎توانند مشخّصه‌های آماری مرتبه دوّم، يعنی طيفهای مختلف سيگنالهای صحبت و همچنين همبستگی زمان-فرکانسی سيگنال را بهخوبی نمايش دهند، مدلهای کارآمدی هستند. همبستگی زمان-فرکانسی در کاربردهای بهبود مي‎تواند بسيار مفيد واقع شود؛ از اين خاصيت مي‎توان برای هموارسازی زماني-فرکانسی استفاده کرده و تخمين‎گرهای سيگنال را از نظر قابليت اطمينان[20] بهبود بخشيد. برای مروری بر روشهای مبتنی بر مدل مي‎توان به [34] مراجعه کرد.

2-5-3 بهبود مبتنی بر تخمين دامنة طيف کوتاه-دوره

روشهای تخمين دامنة طيف کوتاه مدت پايه بسياری از روشهای بهبود صحبت متداول را تشکيل مي‎دهد. ثابت شده است که برای کيفيت و فهم صحبت، دامنة طيف کوتاه مدت بسيار مهمتر از فاز آن مي‎باشد[35]. واضح است که تخمين دامنة طيف سيگنال راحتتر است از تخمين همزمان دامنه و فاز آن سيگنال و اين مزيتی برای اين روشها محسوب مي‎شود. اين روشها را مي‎توان به دو گروه بزرگ تقسيم کرد[35]. گروه اوّل شامل روشهايی است که بخشهاي[21] کوتاه و متوالی صحبت را به حوزة فرکانس نگاشت مي‎کنند، در اين روشها نويز پس از قاب بندی کردن مؤلّفه‌های گسسته فرکانس، حذف مي‎شود. اينکار با کم کردن تخمينی از نويز که در بازه‌های سکوت محاسبه شده صورت مي‎گيرد. تفريق طيفی يکی از روشهای مبتنی بر اين قاعده مي‎باشد. گروه دوّم شامل روشهايی است که از صحبت نويزی ابتدا برای بدست آوردن ضرايب يک فيلتر (مثل فيلتر وينر)استفاده مي‎شود و پس از آن فيلتر روی صحبت نويزی اعمال مي‎گردد[36]. مجموعه روشهای مختلفی را که از لحاظ قواعد تفريق يا تخمين نويز يا ساير جزئيات با هم تفاوت دارند، روشهای “دامنة طيف کوتاه-دوره” (STSA) مي‎نامند. همچنين به آنها الگوريتمهای نوع تفريقي[22] نيز گفته مي‌شود. تفريق طيفی يکی از رايجترين روشهای بهبود صحبت مبتنی بر تخمين دامنة کوتاه-دوره مي‎باشد. شرح اين روش، فرضيات و محدوديتهای آن در فصل سوّم به طور مشروح آمده است.

2-5-4 بهبود مبتنی بر معيارهای ادراکي

اساس اين روش به ادراک انسان از صدا برمي‎گردد. برخلاف روشهای ذکر شده در بخشهای بالا، که تنها خواص منبع سيگنال و نويز در نظر گرفته مي‎شد، به خواص شنوايی گوش انسان نيز توجّه مي‎شود. گستره اين روشها از تلفيق اثرات پوششی شنوايي[23] با قواعد حذف نويز تا پياده سازی روش حذف نويز با در نظر گرفتن تمام معيارهای کيفی مي‎باشد. در اين روشها سعی مي‌شود نويز در زمانها و فرکانسهای مختلف تا حد امکان”نامحسوس” گردد. از آنجا که همواره بين کاهش نويز و بروز اعوجاج در صحبت بده-بستان وجود دارد، اين عمل مي‎تواند برای جلوگيری از افزايش اعوجاج بکار رود، چرا که در اين حالت به‎جای کاهش نويز، نامحسوس کردن نويز مد نظر است[37]. يکی از روشهای مبتنی بر تفريق طيفی با استفاده از معيارهای کيفی در فصل سوّم بررسی شده است.

     روشهايی که در بالا به آن اشاره شد، روشهای عمده حذف نويز مي‎باشند. امروزه سيستمهای حذف نويز توسعه زيادی پيدا کرده‌اند و معمولاً از تلفيقی از اين روشها با ايده‌های حسي-تجربی بهره مي‎جويند.

   در ميان روشهای حذف نويز، روشهای مبتنی بر تفريق طيفی به دلايل متعددی همچون سادگی نسبی پياده سازي، توان بالا در حذف نويز، سرعت بالای الگوريتم، قابليت پياده سازی تک کاناله و قابليت بهبود در آن با تلفيق روشها و ايده‌های حسي-تجربی از اهميت زيادی برخوردار مي‎باشد[18].

[1] Minimum Statistics

[2] Fundamental Frequency

[3] Mean Square Error

[4] Least Mean Square

[5] Recursive Least Square

[6] Comb Filter

[7] Dirac Function

[8] Fricative Voiced

[9] Robust

[10] Sub-optimal

[11] Moving Average

[12] AutoRegressive

[13] AutoRegressive Moving Average

[14] Maximum Likelihood

[15] Maximum A Posteriori

[16] Minimum Mean Square Error

[17] A Priori Density Function

[18] Likelihood Function

[19] Hidden Markov Model

[20] Robustness

[21] Segments

[22] Subtractive-type Algorithms

[23]  آستانه ادراک يا قابل شنيده شدن يک صوت در حضور صوت ديگر (چه در حوزة زمان و چه در حوزة فرکانس) بالا مي‎رود. به اين اثر، خاصيت پوششی شنوايی گفته مي‎شود.

لینک دانلود فایل کامل

نوشته دسته‌بندی روشهای حذف نويز پهن باند از سيگنال صحبت اولین بار در ايران متلب. پدیدار شد.

الف) بهبود جنبه‌های ادراكی گفتار نويزی همچون كيفيت و قابليت فهم سيگنال

ب) ايمن‌سازی رمز كننده‌های گفتار در مقابل نويز ورودی (افزايش مقاومت رمز كننده گفتار با ورودی نويزي)

ج) اصلاح عملكرد سيستمهای شناسايی گفتار در حضور نويز.

شکل (2-3) چهارچوب کلّی يک سيستم پاکسازی گفتار را نشان مي‎دهد که در آن منابع نويز و انواع کاربردهای پاکسازی گفتار مشخّص شده است. اکثر سيستمهای پاکسازي، روی کاهش اثر نويزی که در ورودی سيستم ايجاد مي‎شود، تمرکز مي‎کنند که مي‎تواند نويز گوسی سفيد، صدای دستگاهها و ماشينها ويا صحبت اشخاص ديگر باشد. همچنين يک سيستم پاکسازی گفتار مي‎تواند برای کاهش اغتشاش ناشی از کد کردن و فشرده سازی نيز مفيد باشد. اما بهرحال از مدل نويز معادل در ورودی برای تحليل اين سيستمها استفاده مي‎شود.

راههای متعددی برای دسته بندی سيستمهای پاکسازی گفتار وجود دارد. يک دسته بندی کلّی بر اساس روشی است که صحبت مدل مي‎شود. برخی روشها بر اساس مدلهای پردازش آماری صحبت کار مي‎کنند، در حالی که بقيه بر اساس مشخّصات ادراکی صحبت بنا شده‌اند. سيستمهای مبتنی بر مدلهای آماری به يک معيار رياضی تکيه مي‎کنند، اما سيستمهای مبتنی بر معيارهای ادراکي، بهبود پارامترهايی را که برای صحبت انسان مهم است در نظر دارند. به عنوان مثال يک روش مي‎تواند روی بهبود کيفيت مصوتها[1] متمرکز شود؛ زيرا مشخّص شده که مصوتها به صورت غيرمتناسب با انرژی در قابليت فهم صحبت مؤثّرند[13].

[1] Consonant

لینک دانلود فایل کامل

نوشته سيستمهای بهبود صحبت اولین بار در ايران متلب. پدیدار شد.

نويزهای محيطی را از نظر طيفی مي‎توان به چهار دسته تقسيم کرد که عبارتند از:

1- نويز متناوب  2- نويز ضربهای 3- نويز پهن باند 4-  تداخل صحبت

2-3-1 نويز متناوب

نويز متناوب با قلّه‌های طيفی باريک و گسسته که نوعاً تعداد آنها مي‎تواند بسيار زياد باشد، مشخّص مي‎شود. منبع عمده اين نويز، صدای ماشينهای گردنده مثل موتور اتومبيل يا هواپيما يا متههای برقی است. اگر مؤلّفه‌های نويز متناوب بهدقّت تخمين زده شده باشند، مي‎توان با استفاده از فيلتر آنها را حذف کرد. سه نوع فيلتر برای حذف نويز متناوب پيشنهاد شده است، که عبارتند از: فيلترهای ايستان[2]، فيلترهای وفقی و تکنيکهای تبديل فوريه. مرجع [7] روشهای حذف نويز متناوب را به طور مشروح توصيف کرده است.

2-3-2 نويز ضربه‌اي[3]

نويز ضربه‌ای شامل پالسهای ON/OFF نويز کوتاه مدت مي‎باشد و از منابع توليد آن مي‎توان به قطع و وصل کليدهای برق، حرکت ناگهانی ميکروفون، صوت ناشی از جرقه و غيره اشاره کرد.  اين نويز را مي‎توان به صورت مجموعهای از توابع ضربه در حوزة زمان مدل کرد. برای حذف اين نويز مي‎توان از يک فيلتر نويز ضربهای نظير فيلتر ميانه[4] استفاده کرد. راه بهتر، يافتن موقعيت پالسهای نويز و تصحيح “فقط” نمونه‌های خراب شده، است. اين استراتژی از پردازش غير ضروری و لطمه زدن به کيفيت بخش نسبتاً بزرگ نمونه‌ها که از اثر نويز ضربه‌ای مصون مانده جلوگيری مي‎کند[4][8].

• نويز پهن باند

نويز پهن باند را مي‎توان به دو دسته  نويز سفيد و نويز رنگی تقسيم کرد. نويز سفيد شامل سيگنالهايی است که دارای مؤلّفة ناهمبسته با يکديگر بوده و دارای تابع خودهمبستگی ضربه مي‎باشند و از لحاظ رياضی دارای طيف فرکانسی نامحدود است، ولی در عمل به نويزهايی اطلاق مي‎شود که در پهنای باند محدود شده مورد نظر مثلا ^Hz50 تا ^kHz7دارای طيف توان ثابتی باشند. نويز رنگی به نويزهای پهن باندی اطلاق مي‎شود که دارای طيف “غير سفيد” باشند. اکثر نويزهای محيطی به اين دسته تعلق دارند. از منابع عمده آن مي‎توان به سروصدای خيابان(اتومبيلها)، صدای باد، بادبزن تهويه، عبور هواپيما، باز و بسته شدن دربها و … اشاره کرد. انرژی طيف نويز رنگی بيشتر در فرکانسهای پايين قرار دارد.

      وقتی که نويز مزاحم پهن باند باشد، مؤلّفه‌های نويز در سراسر طيف ظاهر مي‎شوند و فيلتر کردن و تکنيکهای مربوط به حذف نويز متناوب قابل استفاده نيستند و بايستی از روشهای ديگر استفاده نمود. در بخش 2-5 روشهای عمده کاهش نويز پهن باند مورد بررسی قرار مي‎گيرد.

2-3-4  نويز حاصل از تداخل سيگنالهای صحبت

اين نويز به دليل اينکه از نظر پهنای باند طيفی و ايستان بودن با سيگنال اصلی يکی بوده و مشخّصه آن شبيه سيگنال اصلی است از بدترين نويزهای اضافه شونده به سيگنال صحبت بوده و فرض ايستان بودن صحبت که فاکتور مهمی در حذف نويز است، در اينجا قابل استفاده نيست. در اينجا از خواص ديگر صحبت مثل دورة تناوب گام آن استفاده مي‎شود و عمدتاً اين نويز را با روشهای چند کاناله حذف مي‎کنند[1][12-10].

[1] Classification

[2] Stationary Filters

[3] Impulsive Noise

[4] Median Filter

لینک دانلود فایل کامل

نوشته دسته بندی نويزهای محيطي اولین بار در ايران متلب. پدیدار شد.

1- افزونگي‌هاي[1] صحبت  2- واک صحبت  3- دورة تناوب گام[2] صحبت  4- فرکانس اصلی يا گام[3]  5- فرکانس فرمنت[4] لوله صوتی  6- انرژی صحبت  7 – نرخ عبور از صفر[5] .

از ويژگيهای نام برده شده، آنچه در روشهای حذف نويز محيطی از سيگنال صحبت مطرح هستند، واک صحبت، دورة تناوب گام صحبت، انرژی صحبت و نرخ عبور از صفر مي‎باشد که توصيف مختصری از آن در زير آمده است:

2-2-1 واک صحبت 

 لرزش منظم تارهای صوتي[6] را واک مي‎گويند. اصواتی را که با چنين ارتعاشات منظم و مداومی همراه هستند، با‌واک[7] يا آوايی و اصوات ديگر را بي‌واک[8] يا غيرآوايی مي‌نامند. اصوات باواک به خاطر نحوة توليدشان به صورت يک قطار پالسی شبه متناوب هستند که در اثر ارتعاش تارهای صوتی حاصل مي‎شود. همچنين اصوات بي‌واک به خاطر نحوة توليدشان مشابه يک منبع نويز با طيف گسترده(نويز سفيد) هستند. بنابراين اصوات باواک و بي‌واک از نظر ميزان انرژی و از نظر طيفی با هم متفاوتند. انرژی اصوات باواک زياد است و بيشترين انرژی طيف آن در فرکانسهای پايين تا حدود 800 هرتز قرار دارد. شکل (2-2) يک صوت باواک و بي‌واک و طيف  آنرا نشان مي‎دهد. در حذف نويز سيگنال صحبت حتی با پيچيده‌ترين روشها نيز نمي‎توان برخی حروف را به خوبی از نويز جدا کرد، چون حروف بي‌صدای موجود در صحبت، خود شبيه نويز سفيد يا نويز زمينه مي‎باشند. نکته قابل ذکر در اين قسمت نرخ عبور از صفر اصوات باواک و بي‌واک مي‎باشد. همان طور که از شکل پيداست، اصوات باواک نرخ عبور از صفر کمتری نسبت به اصوات بي‌واک دارند. اين ويژگی يکی از پارامترهايی است که در عمليات حذف نويز، برای تعيين لحظات سکوت صحبت مي‎تواند بکار رود.

2-2-2  دورة تناوب گام صحبت

همان طور که گفته شد اصوات باواک به صورت يک قطار پالسی شکل شبه متناوب هستند. دورة تناوب تارهای صوتی را دورة تناوب گام صحبت مي‌نامند. اين تناوب در اثر ارتعاش تارهای صوتی حاصل مي‎شود. البته ارتعاشات مزبور دقيقا متناوب نيستند، بلکه دورة تناوب گام صحبت بتدريج تغيير مي‎کند. وجه تسميه دورة تناوب گام صحبت اين است که دورة تناوب ارتعاش تارهای  صوتی به طور مستقيم به زير و بم صوت بستگی دارد.

2-2-3 مدل سيگنال صحبت و انرژی آن

 سيگنال صحبت مدل فرآيند تصادفی را دارد. يعنی قبل از وقوع آن نمي‎توان آنرا به صورت تابع تقديري[9] از زمان نشان داد، ولی مي‎توان توصيفی آماری از آن داشت. اين سيگنال يک فرآيند تصادفی غير ايستان محسوب مي‎شود. (يعنی پارامترهای آماری نويز مثل ميانگين و تابع خودهمبستگی آن ثابت نبوده و با زمان تغيير مي‎کند.) و به همين دليل مبنای اندازهگيری انرژی صحبت، بازه‌های کوچکی از سيگنال صحبت است که در آن بازه‌ها بتوان سيگنال را ايستان فرض کرد. (به اين بازه‌ها “قاب[10] صحبت” مي‎گويند.) اگر لازم باشد سيگنال صحبت پنجره بندی شود، انرژی هر پنجره را به عنوان انرژی قاب در نظر مي‎گيرند. انرژی سيگنال صحبت در تشخيص واجهای باواک از واجهای بي‌واک و همچنين در تشخيص سيگنال از نويز بکار مي‎رود. معمولاً صحبت باواک دارای دامنة بزرگی مي‎باشد؛ بنابراين انرژی آن زياد است ولی صحبت بي‌واک و نويز دارای دامنة کمتری است؛ بنابراين انرژی آن کمترمي‎باشد.

2-2-4  نرخ عبور از صفر

نرخ عبور از صفر، شدّت تغييرات سيگنال حول مقدار صفر را نشان مي‎دهد. برای محاسبه تعداد عبور از صفر مي‎توان تعداد تغييرات علامت نمونه‌های سيگنال را در يک قاب شمرد. واضح است که صحبت باواک دارای نرخ عبور از صفر کمتری نسبت به صحبت بي‌واک است.  برای محاسبه دقيقتر لحظات سکوت در سيگنال صحبت مي‎توان از معيار انرژی و نرخ عبور از صفر به طور همزمان استفاده کرد[6].

• ساير مشخّصات سيگنال گفتار

طيف سيگنال گفتار در بازة فرکانسی 20 هرتز تا 20 کيلو هرتز قرار دارد. حدود 90% انرژی طيف فرکانسی سيگنال صحبت زير فرکانس يک کيلو هرتز قرار داشته و 60% ميزان قابليت شناخت يا فهم صحبت، بالای يک کيلوهرتز قرار دارد. جدول 2-1 پهنای باندهای تعريف شده برای کاربردهای مختلف را نشان مي‎دهد:

آزمايشها نشان داده است که سيگنال صحبت در بازة زمانی 10 تا 20 ميلی ثانيه دارای تغييرات توازن کمی بوده و مي‎توان آنرا شبه ايستان فرض نمود[4].

[1] Redundancy

[2] Pitch Period

[3] Fundamental Frequency

[4] Formant Frequency

[5] Zero Crossing Rate

[6] Vocal Cords

[7] Voiced

[8] Unvoiced

[9] Deterministic

[10] Frame

لینک دانلود فایل کامل

نوشته ويژگيهای اساسی صحبت اولین بار در ايران متلب. پدیدار شد.

      در ميان روشهای حذف نويز، روشهای مبتنی بر تفريق طيفی به دلايل متعددی همچون سادگی پياده‌سازي، توان بالا در حذف نويز، سرعت بالای الگوريتم و قابليت پياده‌سازی تک کاناله از اهميت زيادی برخوردار مي‌باشد، به طوری که امروزه اين روش در بسياری از سيستمهای بازشناسی صحبت، کد کننده‌ها، گوشي‌های موبايل، سمعکها و غيره برای کاهش نويز محيطی مورد استفاده قرار مي‌گيرد و با آنکه حدود سه دهه از ارائه روش تفريق طيفی مي‌گذرد، هنوز موضوع بسياری از کارهای تحقيقاتی امروزی مي‌باشد.

[1] Signal Subspace (KL Transform)

[2] Blind Algorithms

[3] Wavelet Transform

لینک دانلود فایل کامل

نوشته مقدّمه ای بر حذف نويز سيگنال صحبت اولین بار در ايران متلب. پدیدار شد.

کليد واژه RTW: کنترل و شناسايي زمان واقعي، سخت‌افزار در حلقه، شبکة عصبي، ژنتيک فازي.

[1] Geno – fuzzy

[2] Luen berger – Maryuardt

نوشته استفاده از RTW در شبيه‌سازي سخت‌افزار در حلقه اولین بار در ايران متلب. پدیدار شد.

لینک دانلود

نوشته معرفی Blind deconvolution و الگوریتم های پیاده سازی آن اولین بار در ايران متلب. پدیدار شد.