ПРИМЕНЕНИЕ МЕТОДОВ ДЕКОМПОЗИЦИИ НА ЭМПИРИЧЕСКИЕ МОДЫ В ЗАДАЧЕ
ФИЛЬТРАЦИИ РЕЧЕВЫХ СИГНАЛОВ В УСЛОВИЯХ ИНТЕНСИВНЫХ ПОМЕХ 

Алимурадов Алан Казанферович, соискатель, кафедра информационно-измерительной
техники и метрологии, Пензенский государственный университет
(Россия, г. Пенза, ул. Красная, 40), E-mail: alansapfir@yandex.ru
Чураков Петр Павлович, доктор технических наук, профессор, кафедра информационно-измерительной техники и метрологии, Пензенский государственный университет
(Россия, г. Пенза, ул. Красная, 40), E-mail: iit@pnzgu.ru

 004.934

Актуальность и цели. Существующие алгоритмы и узлы фильтрации речевых сигналов при наличии интенсивных помех не удовлетворяют предъявляемым требованиям, поэтому разработка методов повышения помехоустойчивости при фильтрации речевых сигналов является актуальной задачей.
Материалы и методы. Для повышения эффективности фильтрации интенсивных помех предложена модификация преобразования Гильберта – Хуанга, состоящего из декомпозиции на эмпирические моды (ДЭМ).  
Результаты. Представлен обзор существующих алгоритмов фильтрации речевых сигналов. На
основе модификаций ДЭМ разработан алгоритм фильтрации, существенно расширяющий
диапазон изменения отношения сигнал/шум управляющего зашумленного речевого сиг-
нала. Проведен сравнительный анализ характеристик разработанного алгоритма для трех
модификаций ДЭМ.
Выводы. Наиболее адаптивным методом декомпозиции речевых сигналов является метод комплементарной множественной декомпозиции на эмпирические моды, который рекомендуется для практического использования в системах голосового управления, функционирующих в условиях интенсивных помех.

Ключевые слова

фильтрация речевых сигналов, декомпозиция на эмпирические моды, отношение сигнал/шум, интенсивные помехи, независимый компонентный анализ.

 Скачать статью в формате PDF

1. Алимурадов, А. К. Адаптивная компенсация помех речевых сигналов с использованием  комплементарной множественной декомпозиция на эмпирические моды / А. К. Алимурадов // Молодежь и XXI век – 2015 : материалы V Междунар. молодежной науч. конф. (26–27 февраля 2015 г.) : в 3-х т. / Юго-Зап. гос. ун-т. ; ЗАО «Университетская книга», Курск, 2015. – Т. 2. – С. 96–99.
2. Warped Discrete Cosine Transform-Based Noisy Speech Enhancement / Joon-Hyuk Chang // IEEE Transactions on circuits and systems – II: express briefs. – 2005. – Vol. 52, № 9. – P. 535–539.
3. Spectral subtraction based on two-stage spectral estimation and modified cepstrum thresholding
/ Jie Wang, Hao Liu, Chengshi Zheng, Xiaodong Lib // Applied Acoustics. – 2013. – № 74. – P. 450–453.
4. Hamid, M. E. Improved single-channel noise reduction method of speech by blind source separation / Mohammad Ekramul Hamid, Keita Ogawa, Takeshi Fukabayashi // Acoustical Science and Technology. – 2007. – Vol. 28, № 3, Special Issue on «Applied Systems». – P. 153 – 164.
5. Алимурадов, А. К. Обзор и классификация методов обработки речевых сигналов в системах распознавания речи / А. К. Алимурадов, П. П. Чураков // Измерение. Мониторинг. Управление. Контроль. – 2015. – № 2 (12). – С. 27–35.
6. Huang, N. E. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis / N. E. Huang, Shen Zheng, R. L. Steven // Proceedings of the Royal Society of London A. – 1998. – Vol. 454. – P. 903–995.
7. Zhaohua, Wu. Ensemble empirical mode decomposition: A noise – assisted data analysis method / Wu Zhaohua, N. E. Huang // Advances in Adaptive Data Analysis. – 2009. – Vol. 1 (1). – P. 1–41.
8. Yeh, J.-R. Complementary ensemble empirical mode decomposition: A novel noise enhanced data analysis method / J.-R. Yeh, J.-S. Shieh, N. E. Huang // Advances in Adaptive Data Analysis. – 2010. – Vol. 2 (2). – P. 135–156.
9. Алимурадов, А. К. Интеллектуальная обработка речевых сигналов в системах автоматического управления / А. К. Алимурадов, А. Ю. Тычков // Известия кабардинобалкарского государственного университета. – 2012. – Т. II, № 4. – С. 66–67.
10. Алимурадов А. К. Обработка речевых команд в системах голосового управления /  А. К. Алимурадов // Измерение. Мониторинг. Управление. Контроль. – 2014. – № 1 (7). – С. 50–57.
11. Huang, N. E. The Hilbert-Huang transform and its applications / N. E. Huang. – Singapore : World Scientific Publishing Co. Pte. Ltd. 5, 2005. – 526 p.
12. Huang, N. E. An Introduction to Hilbert-Huang Transform: A Plea for Adaptive Data Analysis / N. E. Huang // Research Center for Adaptive Data Analysis. – Singapore : National Central University, 2007. – 257 p.
13. Speech Endpoint Detection in Noisy Environment Based on the Ensemble Empirical Mode Decomposition / Jingjiao Li, Dong An, Jiao Wang, Chaoqun Rong // Advanced Engineering Forum. 2012. Vol. 2–3. P.135–139.
14. Noise-robust speech feature processing with empirical mode decomposition / Kuo-Hau Wu, Chia-Ping Chen, Bing-Feng Yeh // EURASIP Journal on Audio, Speech, and Music Processing. – 2011. – 9 p.
15. Saha, G. A New Silence Removal and Endpoint Detection Algorithm for Speech and Speaker Recognition Applications / G. Saha, Chakroborty Sandipan, Senapat Suman // Proceedings of the NCC. – 2005, Jan. – Р. 5.
16. Hyvarinen, A. Independent component analysis: algorithms and applications / A. Hyvarinen, E. Oja // J. Neural Networks. – 2000. – № 13. – P. 411–430.
17. Разработка верифицированной базы данных речевых сигналов для диагностики состояния органов дыхания / А. К. Алимурадов, А. Ю. Тычков, П. П. Чураков, Ю. С. Квитка, Д. А. Ярославцева // Перспективные информационные технологии (ПИТ 2013) : тр. Междунар. науч.-техн. конф. – Самара : Изд-во Самар. науч. центра РАН, 2013. – С. 147–150.