وزندهی الگوریتم جابجایی میانگین جهت جداسازی منابع گفتار

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 397

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ITCC03_117

تاریخ نمایه سازی: 6 اردیبهشت 1396

چکیده مقاله:

جداسازی کور منابع یکی از موضوعات قابل توجه در زمینه ی پردازش سیگنال می باشد. هدف از جداسازی سیگنال منابع ٬تخمین سیگنال N منبع مختلف با استفاده از مخلوط سیگنال های دریافتی توسط M گیرنده است. این مقاله بر رویسیگنال های صحبت مخلوط متمرکز شده است. یکی از روش های جداسازی کور سیگنال های صحبت استفاده از الگوریتمDUET می باشد. در این الگوریتم با استفاده از ماسک نمودن حوزه زمان- فرکانس سیگنالهای مخلوط، جداسازی انجاممی شود. برای محاسبه ماسک های زمان- فرکانس هر منبع، هیستوگرام دوبعدی پارامترهای مخلوط که شامل دامنه و تاخیرمی باشند، تشکیل شده و از روی قله های موجود در هیستوگرام، پارامترهای مخلوط و در نتیجه ماسک مناسب تخمین زدهمی شود. لازم به ذکر است که استفاده از این الگوریتم در حالت وجود دو مخلوط و بدون نویز کاربرد مناسبی دارد اما درشرایط محیط واقعی که اغتشاشات محیطی و نویز بر روی مخلوط اثر گذاشته، امکان ایجاد نتایج ضعیف تری وجود دارد.در این مقاله روش جدیدی برای تخمین بهتر منابع در محیط های واقعی ارایه شده است. که با بهره گیری از تلفیق الگوریتمخوشه بندی جابجایی میانگین وزن دهی شده و DUET انجام می شود. بدین ترتیب تخمین پارامترهای مخلوط در مواردیکه هیستوگرام مناسبی تشکیل نمی شود، میسر می گردد. روش پیشنهادی با الگوریتم DUET و k-means در حالت وجودچندین منبع گفتار مقایسه شده است. نتایج شبیه سازی ها موید اثر بهبودبخش راهکارهای ارایه شده می باشد.

کلیدواژه ها:

نویسندگان

ایران سرافراز

گروه مهندسی برق، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران

آذر محمودزاده

گروه مهندسی برق، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران (نویسنده مسیول)

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Pita G. Manuel u. Manuel R.Z. (2014). A _ _ ...
  • Ayllon D. Pita G. Amores PJ. Zurera MR. (2012). Speech ...
  • algorithm. Signal Processing Elsevier, Vol. 92, 2248-2252. ...
  • Abrard F. Deville Y. (20 05). A ti me-frequency blind ...
  • mixtures of dependent Sources. Signal Processing, Vol. 85(7), ...
  • Ayllon D. Pita G. Amores Pj. Zurera MR. Aguilar CL. ...
  • Workshop(S SP), pp. 785-788, 2011. ...
  • Arbere ST. Gribonval R. Bimbo FT. (2010). A robust method ...
  • Chen C. An G. Zhang S. Wu Z. (201 0). ...
  • target tracking. ICASSP, Vol. 24, 1166-1169. ...
  • Litvin Y. (2010). Monaura speech/music _ separation using discrete energy ...
  • Melia T. (2007). Unde rdetermine d blind Source separation in ...
  • Qingming Y. (20 08). Blind source separation by weighted k-means ...
  • Rickard S. (20 07). Blind speech separation. Chapter8: the DUET ...
  • enhancement algorithm for monaural hearing aids. 22nd 2050 - 2054. ...
  • TIMIT Ac ousti c-Phonetic Continuous Speech Corpus user Manua. 1989. ...
  • Tinati MA. Mozaffari B. (2005). Comparison _ time -frequency and ...
  • Vol. 1(1), 11-16. DWT, WSEAS Iran Scation on Signal Processing, ...
  • Vielva L. Erdogmus D. Pantaleon C. Santamaria I Pereda J. ...
  • Waidyanatha N. Wilfred T. Perera K. Silva M. (2012). Mean ...
  • performance in classifying voice-enabled emergency _ ommunication systems. ICCIS, Vol. ...
  • نمایش کامل مراجع