Тысяча полезных мелочей    

МОДУЛЯРНЫЕ ПРЕОБРАЗОВАНИЯ В ВЕЙВЛЕТ-ОБРАБОТКЕ РЕЧЕВЫХ СИГНАЛОВ

МОДУЛЯРНЫЕ ПРЕОБРАЗОВАНИЯ В ВЕЙВЛЕТ-ОБРАБОТКЕ РЕЧЕВЫХ СИГНАЛОВ

Червяков Н.И. Ремизов С.Л. Статья в формате PDF 186 KB Для решения задачи идентификации в настоящее время в основном применяется преобразование Фурье. Основным недостатком этого метода является то, что он применим лишь для анализа стационарных сигналов. Речь же представляет собой не стационарный сигнал. Переход к оконному преобразованию Фурье приводит к сильной зависимости частотных хаpaктеристик от параметров окна.

Поэтому в последнее время используется альтернативный подход к решению этой задачи, одним из вариантов которого является вейвлет анализ.

Вейвлет-анализ осуществляет многомасштабный анализ, который представляет собой последовательное представление исследуемой функции через иерархические вложенные подпрострaнcтва Vm, которые не пересекаются и дают в пределе L2(R) - прострaнcтво квадратично суммированных последовательностей бесконечной длинны [1]

Одним из важных моментов вейвлет-анализа является произвольный выбор базисной функции.

Для анализа дискретной временной последовательности хорошо подходит вейвлет Хаара. Но его применение эффективно в том случае, если дискретная временная последовательность обладает резкими переходами или скачками. По мимо вейвлетов Хаара существует еще ряд дискретных вейвлетов, описанных в [2]. Но каждому из них присущ ряд своих специфических недостатков и они не позволяют реализовывать целочисленные вычисления, что приводит к возникновению неизбежных ошибок округления при вычислении вейвлет-коэффициентов. Использование целочисленных вейвлет-преобразований, описанных в [1], позволяет лишь уменьшить общую ошибку округления, но не всегда дает возможность получить точную реконструкцию сигнала. Поэтому необходимы такие преобразования, которые бы с одной стороны обеспечивали эффективность анализа дискретной временной последовательности как с резкими перепадами, так и с плавными изменениями, а с другой стороны могли бы обеспечить точную реконструкцию сигнала и были бы целочисленными.

В качестве таких преобразований можно использовать модулярные преобразования, а именно перевод чисел из системы остаточных классов [3] в позиционную систему счисления.

Пусть имеется СОК с основаниями p1, p2 .....pn,. Для этой системы НОД (p1, p2 .....pn) = 1, с ортогональными базисами B1, B2, .... Bn и весами m1, m2, ..... mn. Пусть в этой системе своими остатками заданно число остатками А=(α1, α2, ... αn). Определим следующие константы

q1 = p1m2, q2 = p2m1;  ; pn = pn mn-(-1)n;

  ;...;     (3)

Тогда позиционное представление числа А можно вычислить следующим образом

;      (4)

     (5)

Доказательство этого утверждения основано на следующем обстоятельстве. Развернем первое слагаемо выражения (6)

      (6)

а величина  есть первый ортогональный базис. Остальные слагаемые имеют аналогичную структуру.

Для случая, когда n нечетно, константы  и  имеют следующий вид

;       (7)

По аналогии с выражением (1) можно считать, что каждое выражение в (4,5) аппроксимирует положение набора остатков из прострaнcтва

 через прострaнcтво  на прострaнcтво меньшей размерности, определяемое функцией y = x mod p.

Требования, предъявляемые к базисным функциям вейвлет-преобразований [4] для функции y = x mod p p формально выполняются в кольце по модулю с учетом особенностей выполнения операций в кольце.

Улучшение чувствительности к малым изменениям сигнала для такого преобразования обеспечивается за счет значительного изменения величины Si,j для близких в смысле евклидового расстояния участков двух разных сигналов, и величины Ai для участков двух разных сигналов для которых отличие Si,j минимально.

Среднеквадратичная ошибка (дисперсия), рассчитанная для векторов

X = (6, 4, 13, 5, 9 11, 14, 12, 10, 8, 4, 6, 13, 10, 9, 8)

Xиск = (6, 4, 13, 5, 9 13, 14, 12, 10, 8, 4, 6, 13, 10, 9, 8)

при различных методах анализа сигналов приведена в таблице 3.

Таблица 3. Дисперсия для различных методов анализа

Метод анализа

ДПФ

Преобразование

Хаара

Модулярные преобразования

σ

0.401

0.308

4.54

Таким образом, применение модулярных преобразований позволяет повысить точность анализа речевых сигналов, представленных в цифровом виде.

СПИСОК ЛИТЕРАТУРЫ

  1. Воробьев В.И., Грибунин В.Г. Теория и пpaктика вейвлет-преобразования. Интернет: http://www.autex.spb.ru
  2. Дьяконов В.П. Вейвлеты. От теории к пpaктике. - М.: СОЛОН-Р, 2002 - 446 с.
  3. Акушский И.Я., Юдицкий Д.М., Машинная арифметика в остаточных классах. - М.: Советское радио, 1968 - 440 с.
  4. Добеши И. Десять лекций по вейвлетам. Интернет: http://books.forcesite.ru


БРИЛЛЬ ГРИГОРИЙ ЕФИМОВИЧ

БРИЛЛЬ ГРИГОРИЙ ЕФИМОВИЧ Статья в формате PDF 452 KB...

07 10 2026 1:57:13

АБСОЛЮТНЫЙ ПРОГНОЗ СЛУЧАЙНОЙ ВЕЛИЧИНЫ

АБСОЛЮТНЫЙ ПРОГНОЗ СЛУЧАЙНОЙ ВЕЛИЧИНЫ Статья в формате PDF 378 KB...

03 10 2026 2:40:33

ИССЛЕДОВАНИЕ ФАКТОРОВ ПРЕДРАСПОЛОЖЕННОСТИ К АЛКОГОЛИЗМУ: СРАВНИТЕЛЬНЫЙ АНАЛИЗ ПОВЕДЕНЧЕСКИХ РЕАКЦИЙ И СИСТЕМЫ БИОГЕННЫХ АМИНОВ У ПРЕДПОЧИТАЮЩИХ И НЕ ПРЕДПОЧИТАЮЩИХ АЛКОГОЛЬ КРЫС

ИССЛЕДОВАНИЕ ФАКТОРОВ ПРЕДРАСПОЛОЖЕННОСТИ К АЛКОГОЛИЗМУ: СРАВНИТЕЛЬНЫЙ АНАЛИЗ ПОВЕДЕНЧЕСКИХ РЕАКЦИЙ И СИСТЕМЫ БИОГЕННЫХ АМИНОВ У ПРЕДПОЧИТАЮЩИХ И НЕ ПРЕДПОЧИТАЮЩИХ АЛКОГОЛЬ КРЫС Предпочитающие алкоголь крысы при исследовании поведения в тестах «открытое поле» и «приподнятый крестообразный лабиринт» показали значимо большую двигательную активность и признаки повышенной тревожности. Содержание дофамина и норадреналина в миндалевидном комплексе мозга предпочитающих алкоголь крыс значимо выше, у них также ускорен метаболизм дофамина по сравнению с не предпочитающими алкоголь крысами. ...

27 09 2026 16:40:15

ГАЗОВЫЙ СОСТАВ КРОВИ И СТРЕСС

ГАЗОВЫЙ СОСТАВ КРОВИ И СТРЕСС Статья в формате PDF 262 KB...

24 09 2026 3:19:37

Об интеграционном подходе в менеджменте

Об интеграционном подходе в менеджменте Статья в формате PDF 133 KB...

17 09 2026 12:43:45

РАСПРОСТРАНЕННОСТЬ НАРУШЕНИЯ СОСТАВА ТЕЛА ДЕТЕЙ г. ЧЕБОКСАРЫ

РАСПРОСТРАНЕННОСТЬ НАРУШЕНИЯ СОСТАВА ТЕЛА ДЕТЕЙ г. ЧЕБОКСАРЫ За 2011 год в Республиканском Центре здоровья для детей г. Чебоксары проведено обследование условно здоровых детей и подростков в возрасте 5–17 лет с помощью биоимпедансного анализатора состава тела АВС-01 «МЕДАСС» (n = 2419). Целью исследования работы явились оценка хаpaктера направленности питания, уровня физической подготовленности, физического развития. Были проанализированы следующие показатели: жировая масса (ЖМ), активно-клеточная масса (АКМ), доля активно-клеточной массы (доля АКМ), скелетно-мышечная масса (СММ). Выявленные нарушения в виде избытка ЖМ у 39,0 % обследованных свидетельствуют о риске развития ожирения, снижение белкового компонента питания у 28,5 % и уровня двигательной активности у 21,0 % обследованных свидетельствуют о нерациональности питания и риске развития хронических неинфекционных заболеваний, снижения репродуктивной функции. ...

07 09 2026 17:32:36

ПЕРВОЕ НАЧАЛО ТЕРМОЛЕВИТАЦИИ

ПЕРВОЕ НАЧАЛО ТЕРМОЛЕВИТАЦИИ Статья в формате PDF 114 KB...

02 09 2026 19:56:30

Еще:
Поддержать себя -1 :: Поддержать себя -2 :: Поддержать себя -3 :: Поддержать себя -4 :: Поддержать себя -5 :: Поддержать себя -6 :: Поддержать себя -7 :: Поддержать себя -8 :: Поддержать себя -9 :: Поддержать себя -10 :: Поддержать себя -11 :: Поддержать себя -12 :: Поддержать себя -13 :: Поддержать себя -14 :: Поддержать себя -15 :: Поддержать себя -16 :: Поддержать себя -17 :: Поддержать себя -18 :: Поддержать себя -19 :: Поддержать себя -20 :: Поддержать себя -21 :: Поддержать себя -22 :: Поддержать себя -23 :: Поддержать себя -24 :: Поддержать себя -25 :: Поддержать себя -26 :: Поддержать себя -27 :: Поддержать себя -28 :: Поддержать себя -29 :: Поддержать себя -30 :: Поддержать себя -31 :: Поддержать себя -32 :: Поддержать себя -33 :: Поддержать себя -34 :: Поддержать себя -35 :: Поддержать себя -36 :: Поддержать себя -37 :: Поддержать себя -38 ::