ПОВЫШЕНИЕ ТОЧНОСТИ ИЗМЕРЕНИЯ ЧАСТОТЫ ОСНОВНОГО ТОНА НА ОСНОВЕ ОПТИМИЗАЦИИ
ПРОЦЕССА ДЕКОМПОЗИЦИИ РЕЧЕВЫХ СИГНАЛОВ НА ЭМПИРИЧЕСКИЕ МОДЫ 

Алимурадов Алан Казанферович, кандидат технических наук, директор студенческого научно-производственного
бизнес-инкубатора, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40),
E-mail: alansapfir@yandex.ru
Квитка Юрий Сергеевич, аспирант, 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: churakov-pp@mail.ru
Тычков Александр Юрьевич, кандидат технических наук, заместитель директора научно-исследовательского института фундаментальных и прикладных исследований, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40), E-mail: tychkov-a@mail.ru 

004.934 

DOI

10.21685/2307-5538-2018-4-9 

Актуальность и цели. Рассматривается актуальный вопрос – повышение точности измерения частоты основного тона речевых сигналов. Объектом исследования является декомпозиция речевых сигналов на детерминистические и стохастические частотные составляющие с применением различных методов. Предметом исследования является улучшенная полная множественная декомпозиция на эмпирические моды с адаптивным шумом. Целью исследования является оптимизация процесса декомпозиции для повышения точности измерения частоты основного тона за счет улучшения частотно-избирательных свойств.
Материалы и методы. Для декомпозиции речевых сигналов на частотные составляющие применялась адаптивная технология анализа нестационарных сигналов – улучшенная полная множественная декомпозиция на эмпирические моды с адаптивным шумом. Исследования и анализ данных были выполнены в среде математического моделирования © Matlab (MathWorks).
Результаты. Кратко представлен обзор известных методов декомпозиции, основанных на преобразовании Фурье и вейвлет-преобразовании. Рассмотрены их преимущества и недостатки, выявлены перспективы применения метода декомпозиции на эмпирические моды. Представлено подробное математическое описание разновидностей декомпозиций и подчеркнута необходимость оптимизации улучшенной полной множественной декомпозиции на эмпирические моды с адаптивным шумом. Представлен способ оптимизации улучшенной декомпозиции для повышения точности измерения частоты основного тона с кратким математическим описанием.
Выводы. Проведены исследования способа, направленные для оптимального определения параметров функционирования улучшенной декомпозиции. Показано, что предлагаемый способ на основе улучшенной полной множественной декомпозиции на эмпирические моды с адаптивным шумом успешно решает задачу повышения точности
измерения частоты основного тона за счет лучших частотно-избирательных свойств. 

Ключевые слова

обработка речевых сигналов, полная множественная декомпозиция на эмпирические моды с адаптивным шумом, частота основного тона, оптимизация 

 Скачать статью в формате PDF

1. Алимурадов, А. К. Исследование частотно-избирательных свойств методов декомпозиции на эмпирические моды для оценки частоты основного тона речевых сигналов / А. К. Алимурадов // Труды Московского физико-технического института. – 2015. – Т. 7, № 3. – С. 56–68.
2. Алимурадов, А. К. Исследование частотно-избирательных свойств методов декомпозиции речевых сигналов на эмпирические моды / А. К. Алимурадов // Модели, системы, сети в экономике, технике, природе и обществе. – 2015. – № 3 (15). – С. 97–109.
3. Huang, X. Spoken Language Processing. Guide to Algorithms and System Developmen / X. Huang, A. Acero, H.-W. Hon // Prentice Hall. – New Jersey, 2001. – 980 p.
4. Рабинер, Л. Р. Цифровая обработка речевых сигналов : пер. с англ. / Л. Р. Рабинер, Р. В. Шафер. – М. : Радио и связь, 1981. – 496 с.
5. Баскаков, С. И. Радиотехнические цепи и сигналы / С. И. Баскаков. – М. : Высш. шк., 2000. – 214 с.
6. Малла, С. Вейвлеты в обработке сигналов : пер. англ. / С. Малла. – М. : Мир, 2005. – 212 с.
7. Bovbel, E. I. Speech parameters vector based on arithmetic fourier transform / E. I. Bovbel, I. E. Kheidorov // European Signal Processing Conference (EUSIPCO 1998). – 1998. – P. 1–3.
8. Rady Speech Recognition System Based on Wavelet Transform and Artificial Neural Network / R. Rady Engy, H. Yahia Ashraf, A. El-Dahshan El-Sayed, El-Borey Hatem // Egyptian Computer Science Journal. – 2013. – Vol. 37, № 3. – P. 85–96.
9. Speech Recognition by Wavelet Analysis / N. Trivedi, V. Dr. Kumar, S. Singh, S. Ahuja, R. Chadha // International Journal of Computer Applications. – 2011. – Vol. 15, № 8. – P. 27–32.
10. Фант, Г. К. Акустическая теория речеобразования / Г. К. Фант ; пер. с англ. Л. А. Варшавского и В. И. Медведева ; науч. ред. В. С. Григорьева. – М. : Наука, 1964. – 284 с.
11. Alimuradov, A. K. Research of Frequency-Selective Properties of Empirical Mode Decomposition Methods for Speech Signals' Pitch Frequency Estimation / A. K. Alimuradov // International Conference on Engineering and Telecommunication (EnT) (Nov. 18–19, 2015, Russia, Moscow). – Moscow, 2015. – P. 77–79.
12. Huang, N. E. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis / N. E. Huang, Sh. Zheng, R. L. Steven // Proc. R. Soc. Lond. – 1998. – Vol. A454. – P. 903–995.
13. 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.
14. Yeh J.-R. Complementary ensemble empirical mode decomposition: A novel noise enhanced data analysis method / J.-R. Yeh, J.-S. Shieh, N. E. Huang // Adv. Adapt. Data Anal. – 2010. – Vol. 2, № 2. – P. 135–156.
15. Torres, M. E. A complete Ensemble Empirical Mode decomposition with adaptive noise / M. E. Torres, M. A. Colominas, G. Schlotthauer, P. Flandrin // International Conference on Acoustics, Speech and Signal Processing (ICASSP-1). – Prague (CZ), 2011. – P. 4144–4147.
16. Colominasa, M. A. Improved complete ensemble EMD: A suitable tool for biomedicalsignal processing / Marcelo A. Colominasa, Gaston Schlotthauera, Maria E. Torres // Biomedical Signal Processing and Control. – 2014. – Vol. 14. – P. 19–29.
17. Алимурадов, А. К. Исследование частотно-избирательных свойств методов декомпозиции на эмпирические моды для оценки частоты основного тона речевых сигналов / А. К. Алимурадов // Труды Московского физико-технического института. – 2015. – Т. 7, № 3. – С. 56–68.
18. Measurement of Speech Signal Patterns under Borderline Mental Disorders / A. K. Alimuradov, A. Yu. Tychkov, A. V. Kuzmin, P. P. Churakov, A. V. Ageykin, G. V. Vishnevskaya // Proceedings of the 21st Conference of Open Innovations Association FRUCT
(Nov. 6–10, 2017, Helsinki, Finland). – Helsinki : FRUCT Oy, 2017. – P. 26–33.
19. Алимурадов, А. К. Разработка алгоритма обработки речевых сигналов для определения информативно-значимых параметров пограничных психических расстройств / А. К. Алимурадов, А. Ю. Тычков, П. П. Чураков, А. В. Агейкин // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2017. – № 3 (47). –  С. 4–25.
20. Алимурадов, А. К. Помехоустойчивая обработка речевых сигналов на основе комплементарной множественной декомпозиции на эмпирические моды / А. К. Алимурадов, Ю. С. Квитка, А. П. Зарецкий, А. П. Кулешов // Труды Московского физико-технического института. – 2016. – Т. 8, № 3. – С. 43–53.
21. Alimuradov, A. K. An Algorithm for Measurement of the Pitch Frequency of Speech Signals Based on Complementary Ensemble Decomposition Into Empirical Modes / A. K. Alimuradov // Measurement techniques. – 2017. – Vol. 59, № 12. – P. 1316–1323.