عنوان مقاله :
راهكار جديد استخراج ويژگي مبتني بر نمونه‌برداري فشرده در پردازش سيگنال‌هاي صوتي
عنوان فرعي :
New Compressive Sampling Based Feature Extraction Method and Its Application in Audio Signal Processing
پديد آورندگان :
بني‌طالبي دهكردي، مهدي نويسنده گروه پژوهشي پردازش سيگنال، دانشكده مهندسي برق و كامپيوتر، دانشگاه يزد، يزد، ايران Banitalebi-Dehkordi, Mehdi , ابوطالبي ، حميدرضا نويسنده Abutalebi, H.R. , صادقي ، محمدتقي نويسنده گروه پژوهشي پردازش سيگنال، دانشكده مهندسي برق و كامپيوتر، دانشگاه يزد، يزد، ايران Sadeghi , Mohammad Taghi , كيتلر ، جوزف نويسنده گروه پردازش تصوير، گفتار و پردازش سيگنال، دانشكده مهندسي برق و كامپيوتر، دانشگاه ساري، انگلستان Kittler, Josef
اطلاعات موجودي :
دوفصلنامه سال 1392 شماره 19
كليدواژه :
استخراج ويژگي , مكان‌يابي منابع صوت , طبقه‌بندي اصوات , نمونه‌برداري فشرده
چكيده فارسي :
در اين مقاله با استفاده از راهكار نمونه‌برداري فشرده، الگوريتمي براي استخراج ويژگي از سيگنال‌هاي صوتي معرّفي مي‌شود. در روش پيشنهادي، ابتدا سيگنال صوت، پنجره‌گذاري شده و تبديل فوريه نمونه‌هاي درون هر پنجره محاسبه مي‌شود. سپس مقادير دامنه‌هاي هنجارشده ضرايب به‌دست آمده در هر پنجره با هم جمع شده و از بردار حاصله كه مولّفه‌هاي آن مجموع دامنه ضرايب در هر پنجره است دوباره تبديل فوريه گرفته مي‌شود؛ درنهايت با توجه به تُنُكي ايجاد‌شده، از بردار به‌دست آمده به‌صورت تصادفي نمونه‌برداري مي‌شود. در اين پژوهش در كاربرد‌هاي مختلفي، از بردار ويژگي به‌دست آمده استفاده شده است. ازجمله اين كاربردها مي‌توان به طبقه‌بندي اصوات و مكان‌يابي منابع صوت اشاره كرد. در شبيه‌سازي‌هاي صورت‌گرفته نشان داده مي‌شود كه در مقايسه با برخي طبقه‌بندي‌كنندهاي مطرح ديگر، طبقه‌بندي‌كننده مبتني بر ويژگي ارايه شده، دقّت بيش‌تر و بار محاسباتي كمتر دارد. همچنين در شبيه‌سازي‌ها نشان داده شده است كه با استفاده از اين الگوريتم استخراج ويژگي، موقعيت منابع را با خطاي كمتر از دو درصد مي‌توان، تعيين كرد.
چكيده لاتين :
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%.
عنوان نشريه :
پردازش علائم و داده ها
عنوان نشريه :
پردازش علائم و داده ها
اطلاعات موجودي :
دوفصلنامه با شماره پیاپی 19 سال 1392
كلمات كليدي :
#تست#آزمون###امتحان
