این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۰، شماره ۱، صفحات ۶۸-۵۷
عنوان فارسی راهکار جدید استخراج ویژگی مبتنی بر نمونه‌برداری فشرده در پردازش سیگنال‌های صوتی
چکیده فارسی مقاله در این مقاله با استفاده از راهکار نمونه‌برداری فشرده، الگوریتمی برای استخراج ویژگی از سیگنال‌های صوتی معرفی می‌شود. در روش پیشنهادی، ابتدا سیگنال صوت پنجره‌گذاری شده و تبدیل فوریه نمونه‌های درون هر پنجره محاسبه می‌گردد. سپس مقادیر دامنه‌های هنجارشده‌ی ضرایب بدست آمده در هر پنجره با هم جمع شده و از بردار حاصله که مولفه‌های آن مجموع دامنه‌ی ضرایب در هر پنجره می‌باشد مجددا تبدیل فوریه گرفته می‌شود، در نهایت با توجه به تُنُکی ایجاد‌شده، از بردار بدست آمده به صورت تصادفی نمونه‌برداری می‌شود. در این پژوهش در کاربرد‌های مختلفی از بردار ویژگی بدست آمده استفاده شده است. از جمله این کاربردها می‌توان به طبقه‌بندی اصوات و مکان‌یابی منابع صوت اشاره کرد. در شبیه‌سازی‌های صورت گرفته نشان داده می‌شود که در مقایسه با برخی از طبقه‌بندی‌کننده‌ی مطرح دیگر، طبقه‌بندی‌کننده مبتنی بر ویژگی ارائه شده، دقت بیشتر و بار محاسباتی کمتر دارد. همچنین در شبیه‌سازی‌ها نشان می‌دهد شده است که با استفاده از این الگوریتم استخراج ویژگی می‌توان موقعیت منابع را با خطای کمتر از 2 درصد، تعیین کرد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Speech Signals Processing Using New Compressive Sampling Based Feature Extraction Method
چکیده انگلیسی مقاله In this paper, we present a Compressive Sampling (CS)-based feature extraction method for audio signals. In the proposed approach, the audio signal is firstly segmented by hamming windows and the Discrete Fourier Transform (DFT) of the samples is calculated within each frame. Then, the normalized values of the DFT coefficients of each frame are accumulated. At the next step, the second DFT is applied on the vector formed from the accumulated sum in consecutive frames. Finally, considering the sparseness of the resulted vector, our proposed CS-2FFT feature vector is achieved by a random sampling. In this research, the performance of CS-2FFT feature vector has been examined in the applications of audio classification and audio source localization. The simulation show that the proposed feature vector results in a classifier which is more accurate and less computationally complex compared to the classical classifiers. Also, it is shown that the employing CS-2FFT feature vector, the localization error will be less than 2%.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مهدی بنی طالبی دهکردی | banitalebi dehkordi
شهرکرد-خیابان کاشانی-خیابان اقبال لاهوری-کوچه 56-پلام 23

محمد تقی صادقی | mohammad taghi
یزد

حمید رضا ابوطالبی | hamid reza
یزد

josef kittler | josef kittler
surry
نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-298-1&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-233394.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش گفتار
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات