сгенерировать QR код
Открытый доступ
Только для подписчиков
Гибридный метод спектрального анализа речевых сигналов на основе авторегрессионной модели и периодограммы Шустера
https://doi.org/10.32446/0368-1025it.2023-3-61-66
Аннотация
Рассмотрена задача измерения спектральной плотности мощности речевого сигнала в режиме скользящего окна наблюдений. Исследован параметрический подход к решению этой задачи с использованием авторегрессионной модели данных. Исследована проблема оптимизации порядка авторегрессионной модели в условиях малых выборок. Проблему предложено решать с применением гибридного метода спектрального анализа на основе последовательного перебора конечного числа альтернатив. Критерий оптимизации сформулирован в терминах обратной задачи: от речевого сигнала к голосовому источнику. В роли целевой функции использована масштабно-инвариантная мера спектрального расстояния, а в качестве опорного образца – периодограмма Шустера. Эффективность гибридного метода экспериментально оценена на базе авторского программного обеспечения. Показано, что при длительности окна наблюдений не более 10 мс применение гибридного метода более чем на 30 % повышает точность спектрального анализа по сравнению с общеизвестным методом Берга, порядок которого установлен согласно информационному критерию Акаике.
Об авторе
В. В. Савченко
Национальный исследовательский университет «Высшая школа экономики»
Россия
Россия
Владимир Васильевич Савченко
Нижний Новгород
Список литературы
1. Marple S. L. Jr. Digital spectral analysis. 2-nd ed., Dover Publications, New York, 2019, 432 р.
2. Rabiner L. R., Shafer R. W. Theory and Applications of Digital Speech Processing. Boston, Pearson, 2010, 1060 p.
3. Савченко В. В. Совершенствование методики измерения показателя точности авторегрессионной модели речевого сигнала // Измерительная техника. 2022. № 10. С. 58–63. https://doi.org/10.32446/0368-1025it.2022-10-58-63
4. Савченко А. В., Савченко В. В. Адаптивный метод измерения частоты основного тона с использованием двухуровневой авторегрессионной модели речевого сигнала // Измерительная техника. 2022. № 6. С. 60–66. https://doi.org/10.32446/0368-1025it.2022-6-60-66
5. Savchenko V. V. Radioelectronics and Communications Systems, 2020, vol. 63, pp. 532–542. https://doi.org/10.3103/S0735272720100039
6. Ando Sh. The Journal of the Acoustical Society of America, 2019, vol. 146, 2846. https://doi.org/10.1121/1.5136873
7. Gu Yu., Wei H. L. Information Sciences, 2018, vol. 451–452, pp. 195–209. https://doi.org/10.1016/j.ins.2018.04.007
8. Liu Chu-An, Kuo Biing-Shen, Tsay Wen-Jen. Autoregressive Spectral Averaging Estimator. IEAS Working Paper, 2017, no. 17-A013, available at: https://www.econ.sinica.edu.tw/~econ/pdfPaper/17-A013.pdf (accessed: 02.02.2023).
9. Кузнецов А. А. Структурно-частотный анализ ритмограмм больных людей // Измерительная техника. 2014. № 4. С. 46–51. https://doi.org/10.1007/s11018-014-0474-4
10. Савченко В. В., Савченко Л. В. Метод авторегрессионного моделирования речевого сигнала на основе его дискретного Фурьепреобразования и масштабно-инвариантной меры информационного рассогласования // Радиотехника и электроника. 2021. Т. 66. № 11. С. 1100–1108. https://doi.org/10.31857/S0033849421110085
11. Mills T. C. Schuster, Beveridge and Periodogram Analysis. In: The Foundations of Modern Time Series Analysis. Macmillan, London. 2011, рp. 18–29. https://doi.org/10.1057/9780230305021_3
12. Kashin A. V., Kornev N. S., Makarichev N. A. et al. Instruments and Experimental Techniques, 2020, vol. 63, pp. 34–40. https://doi.org/10.1134/S0020441220010030
13. Savchenko V. V., Savchenko А. V. Radioelectronics and Communications Systems, 2019, vol. 62, no. 5, pp. 223–231. https://doi.org/10.3103/S0735272719050042
14. Ding J., Tarokh V., Yang Y. IEEE Transactions on Information Theory, 2018, vol. 64, no. 6, pp. 4024–4043. https://doi.org/10.1109/TIT.2017.2717599
15. Boisbunon A., Can S., Fourdrinier D., Strawderman W., Wells M. T. International Statistical Review, 2014, vol. 82, no. 3, pp. 422–439 https://doi.org/10.1111/insr.12052
16. Savchenko V. V. Radioelectronics and Communications Systems, 2021, vol. 64, pp. 592–603. https://doi.org/10.3103/S0735272721110030
17. Tohyama M. Spectral envelope and source signature analysis. In: Acoustic Signals and Hearing. Academic Press, 2020, pp. 89–110. https://doi.org/10.1016/B978-0-12-816391-7.00013-9
18. Радиоэлектронные системы. Основы построения и теория: Справочник / Под ред. Я. Д. Ширмана. М.: Радиотехника, 2007. 512 с.
19. Savchenko A. V., Savchenko V. V., Savchenko L. V. Optimization Letters, 2022, no. 16, pp. 2095–2113. https://doi.org/10.1007/s11590-021-01790-5
20. Burg J. P. A New Analysis Technique for Time Series Data. In Modern Spectrum Analysis. IEEE Press, New York, 1978, 334 р.
21. Xiao D., Mo F., Zhang Ya., Zhao M., Ma L. Heliyon, 2018, vol. 4, no. 11, e00 948. https://doi.org/10.1016/j.heliyon.2018.e00948
22. Oppenheim A. V. Applications of Digital Signal Processing. Prentice-Hall, Englewood Cliffs, New Jersey, 1978, 510 р.
Рецензия
Для цитирования:
Савченко В.В. Гибридный метод спектрального анализа речевых сигналов на основе авторегрессионной модели и периодограммы Шустера. Izmeritelʹnaya Tekhnika. 2023;(3):61-66. https://doi.org/10.32446/0368-1025it.2023-3-61-66
For citation:
Savchenko V.V. Hybrid method of speech signals spectral analysis based on the autoregressive model and Schuster periodogram. Izmeritel`naya Tekhnika. 2023;(3):61-66. (In Russ.) https://doi.org/10.32446/0368-1025it.2023-3-61-66
Просмотров:
215
Послать статью по эл. почте 