Помощь в написании студенческих работ
Антистрессовый сервис

Разработка и математическое моделирование алгоритмов обнаружения речевой активности на фоне интенсивных шумов

Диссертация: Разработка и математическое моделирование алгоритмов обнаружения речевой активности на фоне интенсивных шумов
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Первые работы по обнаружению разладки принадлежат А. Н. Колмогорову, А. Н. Ширяеву и А. Вальду. Большой вклад в решение этой проблемы внесли А. А. Бутов, Э. Л. Пресман, Г. Роббинс, И. В. Семушин, А. И. Яшин и другие. Обнаружению именно речевого сигнала препятствует сложная структура и высокая нестационарность. Этой проблеме посвящены работы Ю. Жао, Ф. Мекурла, О. Мизуно, Д. Нельсона, В. Г… Читать ещё >

Разработка и математическое моделирование алгоритмов обнаружения речевой активности на фоне интенсивных шумов (реферат, курсовая, диплом, контрольная)

Содержание

  • Список сокращений, принятых в диссертации
  • ГЛАВА 1. ЗАДАЧА ОБНАРУЖЕНИЯ РЕЧЕВОЙ АКТИВНОСТИ И ОБЗОР МЕТОДОВ ЕЕ РЕШЕНИЯ
    • 1. 1. Постановка задачи
    • 1. 2. Речевой сигнал
      • 1. 2. 1. Представление речевого сигнала дискретными отсчетами
      • 1. 2. 2. Механизм речеобразования
      • 1. 2. 3. Математические модели речевых сигналов
    • 1. 3. Основные характеристики речевых сигналов
      • 1. 3. 1. Общие сведения
      • 1. 3. 2. Кратковременная энергия и кратковременное среднее значение сигнала
      • 1. 3. 3. Кратковременная функция среднего числа переходов через нуль
      • 1. 3. 4. Кратковременный Фурье-анализ
      • 1. 3. 5. Кепстральный анализ
      • 1. 3. 6. Кратковременный вейвлет-анализ
    • 1. 4. Известные подходы к решению задачи обнаружения разладки процесса
      • 1. 4. 1. Общий вид оптимального решающего правила различения двух гипотез
      • 1. 4. 2. Известные одноканальные методы обнаружения речевой активности, не использующие вероятностные характеристики
      • 1. 4. 3. Связь вероятности обнаружения с дисперсией ошибки оценки границ
      • 1. 4. 4. Сравнительный анализ известных методов. Г
    • 1. 5. Выводы
  • ГЛАВА 2. РАЗРАБОТКА И ИСПЫТАНИЕ АЛГОРИТМОВ ОБНАРУЖЕНИЯ РЕЧЕВОЙ АКТИВНОСТИ
    • 2. 1. Комбинация одноканальных методов
    • 2. 2. Другие одноканальные алгоритмы
    • 2. 3. Двухканальные алгоритмы
      • 2. 3. 1. Метод, основанный на изменении оценок квазипериодов
      • 2. 3. 2. Метод, основанный на изменении количества переходов через нуль
      • 2. 3. 3. Методы, основанные на изменении кросскорреляции
      • 2. 3. 4. Метод, основанный на вейвлет-декомпозиции
      • 2. 3. 5. Метод, основанный на разложении Фурье
      • 2. 3. 6. Методы, основанные на энергетических характеристиках
      • 2. 3. 7. Методы, основанные на интерполяции
    • 2. 4. Сглаживание статистик
    • 2. 5. Сравнительные испытания двухканальных методов
    • 2. 6. Улучшение качества распознавания при переобнаружении границ эталонов
    • 2. 7. Выводы
  • ГЛАВА 3. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ АЛГОРИТМОВ ОБНАРУЖЕНИЯ РЕЧЕВОЙ АКТИВНОСТИ
    • 3. 1. Структура комплекса программ
    • 3. 2. Описание программы анализа одноканальных методов
    • 3. 3. Описание и возможности программы обнаружения речевых команд и анализа двухканальных методов
    • 3. 4. Аппаратные требования для комплекса
    • 3. 5. Выводы

Актуальность темы

В настоящее время, в силу значительного развития наземных, водных и воздушных транспортных систем, с целью обеспечения их надежной и безаварийной работы большое внимание уделяется оптимизации контроля и управления этими системами. В связи с этим активно ведется разработка технических средств, позволяющих повысить управляемость транспортных систем и снизить нагрузку на оператора (водителя или пилота). В частности, в авиации очень остро стоит вопрос о снижении эмоциональной и физической нагрузки летчиков. В большой степени решению этого вопроса способствует разработка систем, позволяющих осуществлять управление и контроль над бортовым оборудованием с помощью естественного для пилота языка — речевых команд (РК). Подобные системы должны функционировать в условиях интенсивных помех (шума двигателя, ветра, системы воздухообеспечения и т. д.). Поэтому весьма актуальными являются исследования в области обнаружения РК на фоне интенсивных шумов. Исследования показывают, что качество распознавания очень сильно зависит от точности определения моментов начала и конца РК. Особенно это важно при распознавании РК по их эталонам, так как в случае неточного определения границ РК их сравнение с эталонами (а границы эталонов определены точно, поскольку они записаны без шума) происходит несогласованно — сопоставляются разные звуки эталона и РК. В системах сотовой связи преимуществом системы кодирования речи GSM является использование факта о том, что в условиях обычного разговора каждый человек в среднем говорит менее чем 40% длительности разговора. При использовании детектора речевой активности система GSM работает в режиме прерывистой передачи. Благодаря тому, что на интервалах тишины не осуществляется передача, экономится заряд аккумулятора. Детекторы речевой активности используются в системах подавления шума, явления эхо, а также в системах голосового набора номера.

Первые работы по обнаружению разладки принадлежат А. Н. Колмогорову, А. Н. Ширяеву [70, 71, 72] и А. Вальду [7]. Большой вклад в решение этой проблемы внесли А. А. Бутов [6], Э. Л. Пресман [47], Г. Роббинс [53], И. В. Семушин [58], А. И. Яшин [73] и другие. Обнаружению именно речевого сигнала препятствует сложная структура и высокая нестационарность. Этой проблеме посвящены работы Ю. Жао [108], Ф. Мекурла [96], О. Мизуно [97], Д. Нельсона [98], В. Г. Санникова [55] и других. Однако проведенные испытания предложенных в этих работах алгоримтов показали, что они дают неудовлетворительные результаты на малых отношениях сигнал/шум. Поэтому тема диссертации, направленной на развитие методов обнаружения речевой активности (РА), является актуальной.

Об актуальности темы диссертации свидетельствует ее связанность с направлением ряда научных федеральных программ, в частности, «Исследования и разработки по приоритетным направлениям развития науки и техники» Федерального агентства по науке и инновациям, «Теория человеко-машинных систем управления» РФФИ и др.

Цель н задачи работы. Целью диссертации является разработка эффективных алгоритмов обнаружения границ РА на фоне интенсивных шумов для повышения качества распознавания РК.

Для достижения поставленной цели решаются следующие задачи:

• Математическое моделирование существующих алгоритмов обнаружения РА с целью определения их эффективности;

• Разработка более эффективных алгоритмов обнаружения РА и их статистическое моделирование;

• Разработка комплекса программ для ЭВМ, реализующего предложенные алгоритмы.

Методы исследования. При решении поставленных задач применялись методы теории вероятностей, математической статистики, теории обработки изображений, математического и статистического моделирования с применением вычислительной техники.

Научная новизна положений, выносимых на защиту.

1. Методом статистического моделирования определены характеристики PC, использование которых в алгоритмах обнаружения РА дает наилучшие результаты. Построенный на основе этих характеристик комплексный алгоритм позволяет существенно снизить дисперсию ошибки оценки границ РК.

2. Предложен ряд новых алгоритмов обнаружения РА с использованием двух микрофонов: в одном только шум, в другом шум и PC. Наилучший из них, использующий адаптивную калмановскую фильтрацию, на реальных PC и шумах имеет в несколько раз меньшее СКО ошибки, чем одноканальные алгоритмы.

3. На реальном речевом материале показано, что вероятность правильного распознавания РК можно повысить не только за счет повышения точности определения границ РК, но и за счет согласования оценок границ эталонов и границ распознаваемой РК. Последнее достигается путем повторного применения процедуры обнаружения границ к искусственно зашумленным эталонам.

Достоверность. Достоверность положений диссертации обеспечивается корректным использованием математических методов и подтверждается результатами статистических экспериментов на реальном речевом материале.

Практическая значимость. Представленное описание алгоритмов дает разработчикам возможность их применения при проектировании систем, требующих обнаружения речевой активности в реальном времени, в частности, систем распознавания РК на фоне интенсивных шумов.

Реализация работы. Результаты работы использованы в госбюджетных и хоздоговорных НИР Ульяновского государственного технического университета и в разработках Ульяновского конструкторского бюро приборостроения, что подтверждено актом внедрения.

Апробация работы. Основные результаты работы докладывались на 5-й Всероссийской с участием стран СНГ научно-практической конференции систем" (Ульяновск, 2007) — Международной конференции «Континуальные 7 алгебраические логики, исчисления и нейроинформатика в науке и технике» (Ульяновск, 2007) — 19-й Международной конференции по исследовательским системам, информатике и кибернетике «InterSymp-2007» (Германия, Баден-баден, 2007) — 4-й Международной конференции по проблемам прикладной математики и вычислениям «FICAMC-2007» (Болгария, Пловдив, 2007) — 8-й Международной научно-техн. конф. PRIA-8−2007 «Распознавание образов и анализ изображений: новые информационные технологии» (Йошкар-Ола, 2007) — 63-й научной сессии Российского научно-технического общества радиотехники, электроники и связи им. А. С. Попова, посвященной Дню радио (Москва, 2008) — 9-й Международной научно-техн. конф. PRIA-9−2008 «Распознавание образов и анализ изображений: новые информационные технологии» (Нижний Новгород, 2008) и на ежегодных конференциях профессорско-преподавательского состава Ульяновского государственного технического университета (2006;2008 гг.).

Публикации. По теме диссертации опубликовано 12 статей, 3 из них опубликованы в изданиях из перечня ВАК.

Объем и структура диссертации. Диссертация состоит из введения, трех глав, заключения, списка литературы из 108 наименований и приложения. Общий объем 129 страниц.

Основные результаты диссертации заключаются в следующем.

1. Разработаны новые эффективные алгоритмы обнаружения РА по одномикрофонной схеме. В частности, моделирование алгоритма, основанного на комбинации характеристик процессов (Фурье-спектр, вейвлет-спектр, амплитуды и число пересечений нуля) показало, что он примерно в 1.5 раза снижает СКО ошибки оценки момента начала РК.

2. Предложенные алгоритмы по двухмикрофонной схеме имеют СКО ошибки определения границ РК в 3−4 раза меньшую по сравнению с одномикрофонной схемой.

3. Разработан способ повышения качества распознавания РК за счет улучшения согласованности оценок границ эталонов и границ распознаваемых команд.

4. Разработан комплекс программ для математического моделирования алгоритмов обнаружения РА. Этот комплекс позволяет также производить обнаружение РА в реальном времени.

ЗАКЛЮЧЕНИЕ

.

Проведенные исследования позволили повысить качество распознавания РК за счет уменьшения дисперсии ошибки обнаружения РА и повышения согласованности обнаруженной РК и эталонов. Таким образом, поставленная цель диссертации может считаться достигнутой.

Показать весь текст

Список литературы

  1. Я.А. Слуховая система. — JL: Наука, 1990. 620 с.
  2. Д.Н., Уранцев А. В., Мазуренко И. Л., Холоденко А. Б. Способ идентификации факта речевой активности оператора. Патент RU 2 148 505 С1
  3. Р., Заде JI. Принятие решений в расплывчатых условиях. // Вопросы анализа и процедуры принятия решений. — М. Мир, 1976. С. 172 — 215.
  4. И. Пространственный слух. М.: Энергия, 1979. — 224 с.
  5. И.А., Владимиров И. Г. Адаптивное оценивание вектора сдвига // Техническая кибернетика, N4, 1990. с. 47−64.
  6. А.А., Волков М. А., Санников И. А. Математические модели биологических процессов. Ульяновск: УлГУ, 2001. — 37 с.
  7. А. Последовательный анализ. — М.: Наука, 1960.
  8. К.К., Крашенинников В. Р. Статистический анализ многомерных изображений. Ульяновск, УлГТУ, 2007. — 170 с.
  9. И.А. Слуховой анализ сложных звуков. JL: Наука, 1978. -151 с.
  10. С.Э., Кабанова Т. В. Обнаружение момента разладки последовательности независимых случайных величин // Радиотехника и электроника, 2002, том 47, № 10. с. 1198 1203.
  11. В.И., Грибунин В. Г. Теория и практика вейвлет-преобразования. С-Пб.: ВУС, 1999. — 204 с.
  12. В.И. Речь как система. // Труды XIII сессии РАО, т. 3, 2003. -С. 19−21.
  13. В.Е. Теория вероятностей и математическая статистика. — М.: Высш. шк., 1998. 479с.
  14. Горелик A. JL, Скрипкин В. А. Методы распознавания. М: Высшая школа, 2004.-261 с.
  15. И. Десять лекций по вейвлетам. Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001. — 464 с.
  16. А.Г., Петров А. И. Оценивание в нелинейных стохастических системах при внезапных изменениях структуры и координат состояния // Изв. АН СССР. Техн. киберн. 1990. № 4. С. 64 77.
  17. Л.В. Последовательное обнаружение и диагностика нарушений в гауссовской марковской модели движения. // Диссертация на соискание ученой степени кандидата технических наук. Ульяновск, 1997. -124 с.
  18. Н.И., Телькснис Л. А. Методы обнаружения моментов свойств случайных процессов // АиТ. 1983. № 10. С. 5 — 56.
  19. В.Р. Основы теории обработки изображений. -Ульяновск: УлГТУ, 2003. 151 с.
  20. В.Р., Армер А. И. Зашумление эталонов в задачах обнаружения и распознавания сигналов на фоне помех // Вестник УлГТУ. Апрель-июнь (26) 2/2004, Ульяновск: УлГТУ, 2004. С. 54 — 57.
  21. В.Р., Армер А. И. Распознавание речевых сигналов на фоне шумов // «Распознавание образов и анализ изображений: новые информационные технологии». Труды седьмой международной конференции РОАИ-7, С-Пб, 2004. С. 752 — 755.
  22. В.Р., Армер А. И., Крашенинникова Н. А., Хвостов А. В. Распознавание речевых команд на фоне интенсивных помех с помощью авторегрессионных портретов // Наукоемкие технологии. — Москва, 2007, № 9.-С. 65−74.
  23. В.Р., Калинов Д. В. Спиралевидная авторегрессионная модель квазипериодического сигнала, связанная с изображением на106цилиндре // Вестник УлГТУ. Сер. Информационные технологии, № 3, 2000. -С. 4- 10.
  24. В.Р., Ташлинский А. Г., Армер А. И. Устройство распознавания речевых команд в условиях шумов // Патент РФ № 2 267 820 от 10.01.2006.
  25. В.Р., Хвостов А. В. Комбинированный детектор речевой активности. // «Электронная техника». Межвузовский сборник научных трудов. Выпуск седьмой. Ульяновск, 2005.-С.45 — 48.
  26. И.В. Периодическое комплексирование речевых сигналов в изображение // Труды Международной конференции «Методы исредства преобразования и обработки аналоговой информации», т. 3. -Ульяновск: УлГТУ, 1999. С. 56 — 58.
  27. В.К., Молчанов А. П. Слух и анализ сигналов. М.: Энергия, 1967.-79 с.
  28. В. К. Молчанов А.П. Модели механизмов слуха. — М.: Энергия, 1973.- 200 с.
  29. .Р. Совместно оптимальные алгоритмы обнаружения сигналов и оценивания их параметров // Радиотехника и электроника. 1994. Т.22. № 11. С.2239−2256.
  30. А.К. Об определении момента изменения свойств авторегрессионной последовательности // Статистические проблемы управления. Вильнюс: Институт математики и кибернетики АН Лит. ССР, 1979. Вып. 39. С.9−23.
  31. И.Л. Компьютерные системы распознавания речи. // Интеллектуальные системы, т.З. вып. 1 2 — Москва, 1998. — С. 117 — 134.
  32. И.Л. Одна модель распознавания речи. В сб.: Компьютерные аспекты в научных исследованиях и учебном процессе М.: Издательство Московского университета, 1996. — с. 136 — 147.
  33. Дж. Д., Грэй А. Х. Линейное предсказание речи / Пер. с англ. -М.: Связь, 1980.-308 с.
  34. В.Г. К теории восприятия звучащей речи: соотношение акустических и перцептивных параметров // Акустический журнал, т. 43, № 2, 1997.-С. 219−224.
  35. В.Г., Златоустов Л. В. Измерение параметров речи. М.: Радио и связь, 1987. — 167 с.
  36. В.В., Мучник И. Б. Скрытые марковские модели в структурном анализе сигналов. М.: Физматлит, 1999. — 352 с.
  37. И.В. Последовательное обнаружение изменения свойств временных рядов. М.: Наука, 1985. 276 с.
  38. Обнаружение изменения свойств сигналов и динамических систем: Пер с англ. /М.Бассвиль, А. Вилски, А. Банвенист и др.- Под ред. М. Бассвиль, А. Банвениста.- М.: Мир, 1989. 278 с.
  39. Обработка нечеткой информации в системах принятия решений / Борисов А. В., Алексеев А. В., Меркурьева Г. В. и др. — М.: Радио и связь, 1989 -304 с.
  40. .Т., Цыпкин Я. З. Оптимальные псевдоградиентные алгоритмы адаптации // Автоматика и телемеханика, N 8, 1980. — с. 74−84.
  41. Р.К. Речь: коммуникация, информация, кибернетика. М.: Радио и связь, 1997. — 568 с.
  42. Э.Л., Сонин И. М. Последовательное управление по неполным данным. -М.: Наука, 1982.
  43. Проблемы построения систем понимания речи. // Под ред. Цемель Г. И., Сорокина В. Н. М.: Наука, 1980. — 144 с.
  44. Ю.Н. Статистические методы и рекуррентное предсказание речевых сигналов. — М.: Радио и связь, 1984. — 240 с.
  45. Ю.Н. Рекуррентное оценивание параметров. В кн.: Проблемы построения систем понимания речи — М.: Наука, 1980. — С. 97 — 109.
  46. Л.Р., Шафер Р. В. Цифровая обработка речевых сигналов: Пер. с англ. под ред. М. В. Назарова, Ю. Н. Прохорова. М.: Радио и связь, 1981.-495 с.
  47. В.Г., Тартаковский Г. П. Стохастический анализ при априорной неопределенности и адаптация информационных систем. М.: Советское радио, 1977.-432 с.
  48. Г., Сигмунд Д. Чао И. Теория оптимальных правил остановки.-М.: Наука, 1977.
  49. А.К. Обнаружение, классификация и оценивание сигналов: Последовательные процедуры. — СПб.: Политехника, 1999. 206 е.: ил.
  50. В.Г. Устойчивый алгоритм статистической идентификации авторегрессионной модели речевого сигнала. // Цифровая обработка сигналов № 2, 2001. С. 10−14.
  51. М.А. Речевой сигнал в кибернетике и связи. — М.: Связьиздат, 1963.-452 с.
  52. В.Н. Теория речеобразования. — М.: Радио и связь, 1985. -312 с.
  53. И.В. Адаптивные схемы идентификации и контроля при обработке случайных сигналов. — Саратов: СГУ, 1985. — 180 с.
  54. М.Г., Первозванский А. А. Выявление скрытых периодичностей. М.: Наука, 1965. — 244 с.
  55. И.Ш. Методы определения моментов изменения вероятностных характеристик случайных величин // Зарубежная радиоэлектроника. 1976. № 1. С. 3 52.
  56. ., Стирнз С. Адаптивная обработка сигналов / Пер. с англ. под ред. В. В. Шахгильдяна. М.: Радио и связь, 1989. — 440 с.
  57. Г. Акустическая теория речеобразования. — М.: Наука, 1964. — 283 с.
  58. Физиология речи. Восприятие речи человеком / Под ред. JI.A. Чистович. Д.: Наука, 1976. — 386 с.
  59. Дж. Анализ, синтез и восприятие речи // Пер. с англ. М.: Связь, 1968.-396 с.
  60. А. Двумерная байесовская оценка изображений // ТИИЭР, 1972, № 5, с. 113−120.
  61. А.С. Математические модели и комплекс программ для автоматического распознавания дикторов // Автореферат диссертации на соискание ученой степени кандидата технических наук. — Санкт-Петербург: ЛЭТИ, 2004.- 17 с.
  62. А.А. Борьба с помехами. М.: Наука, 1965. — 277 с.
  63. В .Я., Чиганов А. С., Маковкин К. А. Цифровая фильтрация зашумленных речевых сигналов. — М.: Вычислительный центр РАН, 1998. -51 с.
  64. А.Н. Некоторые точные формулы в задаче о разладке // Теория вероятности и ее применение. — М: ТВП, т.10,в.2, 1965. -С.380 385.
  65. А.Н. Об оптимальных' методах в задачах скорейшего обнаружения// Теория вероятности и ее применение. М: ТВП, т.8,в.1, 1963. -С.26 — 51.
  66. А.Н. Статистический последовательный анализ. М.: Наука, 1976.
  67. А.И. Теоретические и прикладные задачи оценивания скачкообразных процессов. —М.: Институт проблем управления, 1978.
  68. , G. D. (1973) 'Segmental Timing in Speech Production', J. Phonetics, Vol. 1, No. 3. pp. 219 237.
  69. Atal B. Effectiveness of Linear Prediction Characteristics of the Speech Wave for Automatic Speaker Identification and Verification // J. Acoust. Soc. Amer., Vol. 55, 1974.-pp. 1304- 1312.
  70. Anderson D.V., McGrath S., Truong. K. Speech activity detector for use in noise reduction system, and methods therefor. US Patent № 6,453,285 B1
  71. Brodsky B.E. and Darkhovsky B.S. «Nonparametric Methods in Change-Point Problems». Kluwer Academic Publishers, The Netherlands, 1993.
  72. Basseville M., Nikiforov I. Detection of Abrupt Changes: Theory and Application. IRISA/CNRS, Rennes, France, 1999. 447 p.
  73. Benyassine A., Shlomot E. System for detecting voice activity and background noise/silence in a speech signal using pitch and signal to noise ratio information. US Patent № 6,275,794
  74. Chow Y-L., Staats E.P. Method and appratus for detecting speech activity using cepstrum vectors. US № 5,596,680.
  75. Chow Y-L., Staats E.P. Method and appratus for detecting end points of speech activity. US Patent № 5,692,104.
  76. Duncan A.J. Quality control and industrial statistics. N.Y.: Irwin, 1974.
  77. Endo K., Ota Y. Speech detecting device and speech detecting method. US2002/138 255 Patent Al.
  78. Gass R., Atzenhoffer R. Method of detecting voice activity in a signal, and a voice signal coder including a device from implementing the method. US2002/188 442 Patent Al.
  79. Girshick M.A. and Rubin H. A Bayes approach to a quality control model. Annals Mathematical Statistics, vol.23, 1952, pp.114−125.
  80. Graumann D.L. Voice activity detector for half-duplex audio communication system. US Patent № 5,737,407.
  81. Kelleher H.L., Pearce D.J.B. Voice activity detector and validator for noisy environments. WO 03/63 138 Al.
  82. Krishnaiah P. and Miao B. Review about estimation of change-points. In: Handbook of Statistics, 1988, v.7. pp.375 -402
  83. LaMarche R.E., May C.J., Zebo T.J. Digital Speech Detector. US Patent № 4,028,496.
  84. Lockwood P., Lubiarz S. Method for detecting speech activity. US № 6,658,380 Bl.
  85. Marchall P.T. Audio and amplitude modulated photo data collection for speech recognition. US Patent № 5,473,726.
  86. Mekurla F. Method and apparatus for detecting voice activity. US Patent № 6,182,035.
  87. Mizuno O. Method for speech detection in a high-noise environment US Patent № 5,732,392.
  88. Nelson D.J., Smith D.C., Townsend J.L. Voice activity detector. US Patent № 6,556,967 Bl.
  89. Page E.S. Continuous inspection schemes. Biometrika, 1954, v.41, No. l, pp.100−115.
  90. E.S. «A test for a change in a parameter occurring at an unknown point». Bioinetrica, 1955, v.42, No.4, pp.523−527.
  91. Robbe F., Dartois L. Method of using a dominant angle of incidence to reduce acoustic noise in a speech signal. US Patent № 5,539,859.
  92. Semoushin I.V., Krasheninnikov V.R., Sunoplya M.S., Martyanov A.I.,
  93. Khvostov A.V. Kalman Filter Based Speech-Like Signal Detection Within a Noisy• th
  94. Environment // Proceedings of the 19 International Conference on Systems Research, Informatics and Cybernatics, InterSymp-2007. Advances in Intelligent Decision Systems, vol. VIII, No. l, pp. 59−66.
  95. Shaban S. Change-point problem and two-phase regression: annotated bibliography. International Statistical Review, 1980, v.48, pp.83−86
  96. С. E. «A Mathematical theory of communication», Bell System Tech. J., Vol.27, October, 1968. pp. 623 656.
  97. Sonale E. Method and device for detecting voice activity. US Patent № 6,154,721.
  98. Valve P., Hakkinen J. Detection of the speech activity of a source. US Patent № 6,707,910 Bl.
  99. Zhao Y., Junqua J-C. Speech detection for noisy conditions. US Patent № 6,480,823 Bl.
Заполнить форму текущей работой

Сессия? Спокойно!