12249

12249

افزايش سرعت الگوريتم ML-ICA در كاربرد جداسازي سيگنال منابع گفتار با حفظ كيفيت

دكتري

برق - مخابرات سيستم

آذر ماه 1392

آذر ماه 1392

دكتر محمد حسين كهايي

چكيده با استفاده از مساله جداسازي كور سيگنال منابع، مي¬توانيم سيگنال¬هاي مخلوط شده از منابع متفاوت را از يكديگر جدا كنيم در شرايطي كه اطلاعات اوليه¬اي راجع به منابع و چگونگي تركيب آن¬ها توسط حسگرها وجود ندارد. مدل تحليل اجزاي مستقل (ICA) يكي از تكنيك¬هاي شناخته شده و معروف براي جداسازي سيگنال¬ها در حوزه زمان و فركانس است. الگوريتم¬هاي مبتني بر مدلICA از لحاظ كيفيت و سرعت جداسازي با يكديگر متفاوت مي¬باشند. الگوريتم ML-ICA داراي كيفيت جداسازي مناسب و FastICA داراي سرعت جداسازي مطلوب است. آنچه كه هدف اين رساله مي¬باشد ارائه روش¬ها و الگوريتم¬هايي است كه ضمن داشتن كيفيتي معادل الگوريتم ML-ICA، سرعتي مشابه يا بهتر از FastICA داشته باشند. در اولين روش پيشنهادي جهت افزايش سرعت جداسازي الگوريتم ML-ICA بدون كاهش كيفيت، كيفيت جداسازي ناشي از ماتريس جداساز و ماتريس¬ جداساز جايگزين در هر گام يادگيري با يكديگر مقايسه مي¬شوند و بهترين آن¬ها به عنوان ماتريس جداساز گام بعدي لحاظ مي¬گردد. روش دوم پيشنهادي، استفاده از بهترين گام يادگيري است كه بر اساس روش شناسايي و حذف نوسانات نامطلوب فرآيند يادگيري تعيين مي¬گردد. سومين روش پيشنهادي، استفاده از حداقل طول سيگنال حسگرها در حوزه زمان است كه با توجه به نحوه عملكرد الگوريتم ML-ICA و ميزان درك انسان تعيين مي¬شود. در آخرين روش پيشنهادي به جاي جداسازي سيگنال¬ها در تمام بين¬هاي فركانسي، تنها در بخش كوچكي از بين¬ها كه حاوي بيشترين انرژي هستند فرآيند جداسازي به¬صورت بازگشتي انجام مي¬شود. سپس در بين¬هاي فركانسي باقيمانده با استفاده از تخمين ماتريس¬هاي تضعيف و تاخير، جداسازي به¬صورت فرم بسته انجام مي¬گيرد. بر اساس نتايج شبيه¬سازي، با استفاده از روش¬هاي پيشنهادي مي¬توان سرعت جداسازي الگوريتم ML-ICA را تقريبا 65 برابر نمود بدون اينكه كيفيت جداسازي افت قابل ملاحظه¬اي داشته باشد كه مطابق هدف اصلي اين رساله است. واژه‌هاي كليدي: جداسازي كور منابع، تحليل اجزاي مستقل، حوزه زمان- فركانس، گفتار.