صدا دار[۱۲۶]
بی صدا[۱۲۷]
سکوت[۱۲۸]
همانطور که در شکل(۴-۲) و (۴-۳) ملاحظه می شود، حروف بی صدا دامنه کوچکتری نسبت به حروف صدادار دارند و دارای ماهیت نویزی می باشند در حالیکه حروف صدادار ماهیت پریودیک دارند که همین موضوع باعث افزایش خودهمبستگی این فریم ها در مقایسه با انواع بی صدا می شود. این موضوع با توجه به شکل (۴-۴) و (۴-۵)، تجمع نمونه ها در مرکز و مقدار دامنه های مشابه نسبت به شکل (۴-۶) کاملا مشهود است.
شکل ۴-۲- فریم بی صدا در حوزه زمان
شکل ۴-۳- فریم صدا دار در حوزه زمان
بیشتر بودن خود همبستگی در فریم های صدا دار، به نوبه خود باعث واریانس بیشتر الگوی SVD فریم های صدادار در مقایسه با فریم های بی صدا خواهد شد. همچنین این موضوع باعث تفکیک بیشتر مقادیر منفرد مربوط به نویز از سیگنال اصلی می شود. شکل (۴-۷) الگوی SVD این دو نوع از فریم ها را نشان می دهد. در این شکل بیشتر بودن دامنه مقادیر منفرد در فریم های صدا دار به وضوح به چشم می خورد.
شکل ۴-۴- خود همبستگی در فریم سکوت آغشته به نویز
شکل ۴-۵- خود همبستگی در فریم بی صدا
شکل ۴-۶- خود همبستگی در فریم صدا دار
شکل ۴-۷- مقایسه مقادیر منفرد فریم های بی صدا و صدا دار
علاوه بر مطالب بیان شده، چون ما در روش های پیشنهادی خود سعی داریم از تجزیه مقادیر منفرد برای تخمین نویز استفاده نماییم، در نظر گرفتن این نکته ضروری است که انتخاب آستانه به منظور تخمین نویز در فریم های متعلق به حروف صدادار با فریم های متعلق به حروف بی صدا متفاوت است.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
همان طور که گفته شد مقادیر کوچک در ماتریس تجزیه مقادیر منفرد نمایانگر نویز واقعی موجود در هر فریم از سیگنال نویزی هستند. از طرفی در روش های حذف نویز مبتنی بر روش تفریق طیفی همواره به تخمینی از نویز واقعی موجود در سیگنال نیازمندیم. که ما قصد داریم این کار را با بهره گرفتن از ابزار SVD انجام دهیم. روش کار در ادامه تشریح شده است.
ابتدا با استخراج نویز از هر فریم در حوزه زمان، تخمینی از نویز موجود در سیگنال بدست می آوریم. برای انجام این کار هر فریم به قطعاتی مساوی شکسته می شود. سپس با تولید ماتریس هانکل هر فریم به روشی که در قسمت قبل به آن اشاره شد، ماتریس مقادیر منفرد مربوط به آن فریم استخراج می شود. نظر به اینکه فرایند تخمین نویز برای تمامی فریم ها (صدار دار، بی صدا و سکوت) یکسان نمی باشد، در اینجا با بهره گرفتن از ترکیب یک سیستم VAD با آشکار ساز حروف صدا دار از حروف بی صدا، محتوی هر فریم از حیث صدار دار یا بی صدا و یا سکوت بودن تشخیص داده می شود و سپس در مورد هر نوع، راهکاری متناسب اتخاذ می گردد.
۴-۱-۲-۱- تعیین آستانه در فریم سکوت
یک فریم سکوت تنها حاوی نویز است و هنگامی که تجزیه مقادیر منفرد بر روی این فریم اعمال می شود، مقادیر منفرد بدست آمده همگی مربوط به نویز می باشد. از آنجا که در فریم های سکوت تمامی مقادیر منفرد بدست آمده دلالت بر نویز دارد، لذا تمامی این مقادیر در بازسازی دنباله نویز تخمینی شرکت می کنند. شکل (۴-۸) مقادیر منفرد فریم سکوت نویزی را نشان می دهد.
شکل ۴-۸- مقادیر منفرد فریم سکوت نویزی
اما این موضوع در فریم های شامل نواحی صدادار و بی صدا به این شکل مطرح است که صرفا مقادیر کوچک منفرد موجود در ماتریس SVD هر فریم، در بازسازی نویز تخمینی نقش دارند. این موضوع از آنجا سرچشمه می گیرد که در روش های حذف نویز مبتنی بر SVD استخراج مؤلفه های مربوط به سیگنال مطلوب همواره از میان مقادیر بزرگ منفرد صورت می پذیرفت و بازسازی سیگنال نیز با بهره گرفتن از این مقادیر انجام می گرفت. به تعبیر دیگر در این مرحله امکان بازسازی نویز از مقادیر کوچک منفرد بررسی می شود. در ادامه روش فیلتر کردن مقادیر منفرد این دو نوع فریم توضیح داده شده است.
۴-۱-۲-۲- تعیین آستانه در فریم بی صدا و صدا دار
همواره در پردازش فریم های غیر سکوت، شباهت فریم های بی صدا با فریم های سکوت آلوده با نویز مساله ساز بوده است. به عبارت دقیق تر محتوی زمانی فریم بی صدا و شباهتش با نویز در اغلب روش های کاهش نویز مبتنی تفریق طیفی به تخریب اطلاعات سیگنال در فریم های بی صدا می گردد و ما را بر آن می دارد تا راهکار متفاوتی در برخورد با این نوع فریم نسبت به فریم صدادار اتخاذ کنیم. در شکل های زیر مقادیر منفرد سیگنال تمیز و نویزی دو نوع فریم بی صدا و صدا دار آورده شده است.
الف ب
شکل ۴-۹- مقادیر منفرد فریم صدا دار (الف) تمیز (ب) نویزی با SNR=10 db
الف ب
شکل ۴-۱۰- مقادیر منفرد فریم بی صدا (الف) تمیز (ب) نویزی با SNR=10 db
یکی از پارامترهایی که می توان با بهره گرفتن از آن عمل فیلترینگ را انجام داد، میزان انرژی مقادیر منفرد اختصاص داده شده به نویز در ماتریس مقادیر منفرد هر فریم می باشد که با تغییر نوع فریم از لحظ صدا دار، بی صدا و یا سکوت بودن، مقدار بهینه آن برای کل فریم ها تغییر می کند. انرژی مقادیر منفرد برابر با جمع مجذور این مقادیر می باشد. مقادیر منفرد مربوط به نویز در معادله (۴-۳) به صورت بیان شده اند که انرژی آنها نیز برابر با جمع مجذور این مقادیر می باشد. برای محاسبه مقدار آستانه بهینه بر اساس پارامتر انرژی، میزان درصد انرژی مربوط به نویز را تغییر می دهیم تا مقدار بهینه آن بدست آید. بلوک دیاگرام روش بدست آوردن مقادیر بهینه آستانه با توجه به نوع فریم و میزان آلودگی در شکل زیر آورده شده است.
نویزی کردن سیگنال ها با SNR های مختلف
[یکشنبه 1400-09-28] [ 08:32:00 ب.ظ ]
|