الگوریتم جدید بهینه سازی گفتار در فضای طیفی –زمانی با استفاده از بازنمایی تنک

در این مقاله یک روش جدید برای بهبود کیفیت گفتار بر مبنای بازنمایی تنک در فضای طیفی- زمانی(STRF) ارائه شده است. مولفه های فضای طیفی-زمانی علاوه بر ابعاد فرکانس و زمان، دارای دو بعد دیگر مقیاس و نرخ هستند. مقیاس به معنای مدولاسیون طیفی و نرخ به معنای مدولاسیون زمانی است. با بهره گیری از بازنمایی تنک در یادگیری لغت نامه های گفتار و نویز، نتایج بهتری از قسمت های گفتار و نویز حاصل می شود. در این الگوریتم ابتدا گفتار ورودی با استفاده از فضای STRF به مولفه های جهاربعدی فرکانس، زمان، مقیاس و نرخ تبدیل می شود و از آنجایی که تشکیل یک لغت نامه مطلوب با این تعداد مولفه تقریبا غیر ممکن است. برای رفع این مشکل افراز مکعبی هرقاب زمانی مد نظر قرار گرفت و سه ایده با توجه به این افراز پیشنهاد می گردد. به کمک روش تنک و لغت نامه های گفتار و نویز در هر مکعب، تخمین بهتری برای قسمت های گفتار و نویز دست می دهد. در اینجا از الگوریتم NMF برای آموزش لغت نامه بهره می بریم. بطورمثال در SNR=-۱۰dB در نویز سفید PESQ=۲.۷۱۰ و در نویز همهمه PESQ=۲.۶۷۷ حاصل شد که عملکرد مطلوب روش پیشنهادی نسبت به سایر روش ها را نشان می دهد.

کلیدواژه ها:

بهینه سازی گفتار ، فضای طیفی- زمانی ، بازنمایی تنک ، افراز مکعبی