تحقیق و پاورپوینت جداسازی منابع کور صوتی

توضیحات

عنوان: جداسازی منابع کور صوتی

• چکیده
• فصل اول: مقدمه و کلیات
• مقدمه
• تاریخچه
• کاربردهای BSS
• مدلسازی مسئله جداسازی کور منابع
• مدلیابی فرایند ترکیب
• پردازش حوزه فرکانسی زمانی
• ارزیابی کیفی
• تجزیه و تحلیل مستقل حوزه فرکانسی با تخمین فیلتر
• مراحل پیش پردازش در مسائل جداسازی کور منابع
• متمرکز سازی
• سفیدسازی
• توصیف آماری متغیرهای تصادفی
• معیارهای غیرگوسی بودن
• معیار کورتوسیس
• معیار Negentropy
• الگوریتم جداسازی کور
• الگوریتم HJ
• الگوریتم BS
• الگوریتم FastICA
• نتیجه گیری
• منابع و مراجع

چکیده

انسان ها به طور ذاتی قادر به متمرکز ساختن حس شنوایی خود بر روی سیگنال صوتی منتشرشده از یک منبع صوت در یک محیط پرسروصدا هستند. درواقع سیستم شنوایی انسان ها به گونه ای طرراحی شده است که می تواند به راحتی سیگنال های چند منبع صوتی را که به طور همزمان فعال هستند، از یکدیگر تفکیک سازد. از چالش های جداسازی سیگنال صوتی از مخلوط سیگنال های چندین منبع صدا، می توان نداشتن اطلاعات پیش فرض دقیق از نحوه قرارگیری و موقعیت مکانی منابع صوت نسبت به گیرنده صوت و در نتیجه عدم توانایی در جداسازی دقیق سیگنال ها از یکدیگر را نام برد. علاوه بر آن، یک مشکل اساسی در تفکیک سیگنال های صوتی، مسئله برچسب گذاری آن ها می باشد: روش آسانی برای اختصاص هر منبع صوت تفکیک شده به منابع صوت یا گویندگان حاضر در یک داده ویدئویی وجود ندارد. بنابراین روش های مرسوم که برای جداسازی صوت پیاده سازی می شوند، همگی وابسته به منبع صوت هستند؛ یعنی باید برای هر منبع صوت، یک مدل جداسازی خاص بر اساس ویژگی های منبع طراحی شود که موجب محدودیت در به کارگیری مدل برای شرایط متفاوت و منابع دیگر می شود. در داده های سمعی-بصری، لازمه حل مسئله مکان یابی منبع صوت، شناسایی نواحی و پیکسل هایی است که مسئول تولید سیگنال صوتی موردنظر می باشند. در زمینه جداسازی سیگنال گفتار، محققان ثابت کرده‌اند که مشاهده تصویر گوینده به یک شخص در رفع ابهام تفکیک صوت در محیط های پرسروصدا کمک می کند.

مقدمه

مسئله جداسازی کور منابع (BSS[1]) یک روش جدید در زمینه پردازش سیگنال می باشد که دارای نتایج قابل توجه و چشمگیری بوده و تاکنون الگوریتم های زیادی در این زمینه مطرح شده است. جداسازی کور منابع یک روش آماری برای جداسازی سیگنال های ترکیب شده است که فقط ترکیباتی از آن ها توسط چندگیرنده مشاهده شده است. این کار با در نظر گرفتن فرض های اولیه برای سیگنال های منابع صورت می پذیرد که از مهم ترین این فرض ها، فرض استقلال بین منابع ترکیبی می باشد. به طور کلی روش هایی که با این فرض در نظر گرفته می شود را عنوان روش های ICA[2] می شناسند.

پیش از BSS، الگوریتم های جداسازی نیازمند فرضیات اساسی بر طبیعت منابع بوده اند اما طی دو دهه اخیر جداسازی کور منابع توسط پژوهشگران متعددی مورد بررسی قرار گرفته و تا کنون الگوریتم های مختلفی برای آن و در زمینه های گوناگون مطرح شده است. BSS تکیه بر فرضیات بسیار ضعیف بر روی سیگنال ها و سیستم ترکیب کننده (کانال) دارد و به کارگیری قید کور بودن به دلیل عدم وجود اطلاعات دقیق از سیگنال های منابع و کانال ترکیب کننده و یا فرضیات بسیار ضعیف بر روی آن ها می باشد و ماهیت کور بودن الگوریتم، استفاده از آن را در بسیاری از موارد امکان پذیر می سازد. فرضیات ضروری الگوریتم ICA عبارتند از:

1-منابع از لحاظ آماری مستقل فرض می شوند.  انجام تحقیق

2-مولفه های مستقل دارای توزیع غیرگوسی هستند.

3-ماتریس ترکیب کننده معکوس پذیر باشد.

به طور کلی در یک مسئله جداسازی کور سیگنال ها فرض بر این است که تعداد N منبع سیگنال مستقل  Si(t),i=1,…N داریم که به طور مستقیم قابل مشاهده نیستند و هیچگونه اطلاعات دقیقی از آن ها نداریم. سیگنال های منابع با هم ترکیب شده و توسط N گیرنده دریافت می شوند. پس یک مجموعه از N سیگنال مشاهده شده xi(t),i=1,…N داریم که ترکیب سیگنال های منابع هستند. هدف بازیابی سیگنال های اصلی Si(t) از بردار مشاهده شده x(t) است.

جداسازی کور منابع تکنیکی برای جداسازی سیگنال های ترکیب شده است که تنها ترکیباتی از آن ها که توسط چند گیرنده مشاهده شده را در اختیار داریم. دلیل نامگذاری این روش به جداسازی کور، عدم وجود اطلاعات دقیق از سیگنال های منابع و کانال ترکیب کننده می باشد. تاکنون روش های مختلفی برای حل مسائل جداسازی کور منابع ارائه شده است که در تمامی آن ها به دلیل کمبود اطلاعات دقیق اولیه، از فرض های خاصی استفاده شده است. یکی از مهم ترین این فرض ها، فرض استقلال منابع ترکیبی می باشد که منجر به تکنیک آنالیز اجزاء مستقل می شود.

توجه:

برای دانلود فایل کامل ورد لطفا اقدام به خرید نمایید.

لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.