دوره 17، شماره 3 - ( 9-1399 )                   جلد 17 شماره 3 صفحات 17-36 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Mavaddati S. A New Method for Speech Enhancement Based on Incoherent Model Learning in Wavelet Transform Domain. JSDP. 2020; 17 (3) :17-36
URL: http://jsdp.rcisp.ac.ir/article-1-835-fa.html
مودّتی سمیرا. ارائه یک روش جدید بهسازی گفتار بر مبنای یادگیری مدل ناهمدوس به‌کمک ضرایب تبدیل موجک. پردازش علائم و داده‌ها. 1399; 17 (3) :17-36

URL: http://jsdp.rcisp.ac.ir/article-1-835-fa.html


دانشگاه مازندران
چکیده:   (198 مشاهده)
بهسازی گفتار یکی از زمینه‌های پرکاربرد در پردازش سیگنال است که در حوزه‌های مختلفی مورد استفاده قرار می‌گیرد. در این مقاله از مفاهیم بازنمایی تُنُک و یادگیری واژه‌نامه به‌منظور حذف نوفه از سیگنال گفتار در فضای ویژگی تبدیل موجک استفاده می‌شود. ساختار مورد نیاز جهت بازنمایی هر مؤلفه از سیگنال به‌کمک مفاهیم بازنمایی تُنُک، براساس تعداد کمی از اتم‌های یادگیری‌شده امکان‌پذیر است. به‌منظور دست‌‌یابی به نتایج مطلوب در بهسازی گفتار، از روال یادگیری واژه‌نامه‌ ناهمدوس بهره گرفته می‌شود. به‌‌کمک ضرایب تبدیل موجک، تجزیه سیگنال در زیرباندهای مختلف که شامل اطلاعات دقیقی از محتوای سیگنال هستند، فراهم می‌شود. در روش پیشنهادی، دو سناریوی نظارت‌شده و نیمه‌نظارت‌شده مورد بررسی قرار گرفته و یک الگوریتم آشکارساز فعالیت گفتاری در هر سناریو با توجه به شرط‌های معرفی‌شده بر اساس واژه‌نامه‌های یادگیری‌شده در گام آموزش، پیشنهاد می‌شود. با استفاده از نتایج خروجی آشکارساز پیشنهادی، سیگنال گفتار تخمینی طی یک روال بهسازی در گام بعد به‌دست خواهد آمد. نتایج گزارش‌شده براساس معیارهای مختلف ارزیابی عملکرد، بر توانایی این روش در زمینه کاهش نوفه سیگنال گفتار تأکید می‌کند. روش‌های پیشنهادی، توانایی بالایی را در‌خصوص کاهش نوفه‌های ناایستا به‌خصوص در مقادیر سیگنال به نوفه پایین دارد.
متن کامل [PDF 5690 kb]   (55 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش گفتار
دریافت: 1396/11/18 | پذیرش: 1398/3/29 | انتشار: 1399/9/15 | انتشار الکترونیک: 1399/9/15

فهرست منابع
1. [1] M. Klein, P. Kabal, "Signal subspace speech enhancement with perceptual post-filtering", Proc. IEEE Internat. Conf. Acoust. Speech Signal Process. (ICASSP), Vol. 1, pp. 537-540, 2002. [DOI:10.1109/ICASSP.2002.5743773] [PMID]
2. [2] S. Kamath, P. Loizou, "A multi-band spectral subtraction method for enhancing speech corrupted by colored noise", In: Proc. IEEE Internat. Conf. Acoust. Speech Signal Process. (ICASSP), Orlando, Florida, 2002. [DOI:10.1109/ICASSP.2002.5745591]
3. [3] D.L. Donoho, "De-noising by soft-thresholding", IEEE Trans. Inf. Theory, Vol. 41, No. 3, pp. 613-627, 1995. [DOI:10.1109/18.382009]
4. [4] N. Upadhyay, R.K. Jaiswal, "Single Channel Speech Enhancement: Using Wiener Filtering with Recursive Noise Estimation", Procedia Computer Science, Vol. 84, pp. 22-30, 2016. [DOI:10.1016/j.procs.2016.04.061]
5. [5] J. Candes, M.B. Wakin, "An introduction to compressive sampling", IEEE Signal Processing Magazine, pp. 21-30, 2008. [DOI:10.1109/MSP.2007.914731]
6. [6] R.G. Baraniuk, "Compressive Sensing", IEEE Signal Processing Magazine, pp. 118-121, 2007. [DOI:10.1109/MSP.2007.4286571]
7. [7] S. Ayat, R. Dianat, M. Manzuri, "Wavelet Based Speech Enhancement Using a New Thresholding Algorithm", IEEE Intl. Symposium on Intelligent Multimedia, Video & Speech Processing (ISIMP), Hong Kong, 2004.
8. [8] C.T. Lu, H.C. Wang, "Speech enhancement using wavelet transform with constrained thresholds", In Proc. The 3rd International Symposium on Chinese Spoken Language Processing (ISCSLP), Taipei, Taiwan, pp. 185-188, 2002.
9. [9] E. Ambikairajah, G. Tattersall, A. Davis, "Wavelet Transform-based Speech Enhancement", Proc. on ICSLP, Vol. 3, 1998.
10. [10] V.S.R. Kumari, D.K. Devarakonda, "A Wavelet Based Denoising of Speech Signal", International Journal of Engineering Trends and Technology (IJETT), Vol. 5, No. 2, pp. 107-115, 2013.
11. [11] K. Khaldi, A.O. Boudraa, A. Komaty, "Speech enhancement using empirical mode decomposition and the Teager-Kaiser energy operator", J Acoust Soc Am, Vol. 13, No. 5, pp. 451-459, 2014. [DOI:10.1121/1.4837835] [PMID]
12. [12] T.F. Sanam, C. Shahnaz, "A semisoft thresholding method based on Teager energy operation on wavelet packet coefficients for enhancing noisy speech", EURASIP Journal on Audio, Speech and Music Processing, Springer, 2013. [DOI:10.1186/1687-4722-2013-25]
13. [13] S. Hongo, S. Sakamoto, Y. Suzuki, "Binaural speech enhancement method by wavelet transform based on interaural level and argument differences", International Conference on Wavelet Analysis and Pattern Recognition, Xian, 2012, pp. 290-295. [DOI:10.1109/ICWAPR.2012.6294795]
14. [14] T. V. Pham, "Wavelet analysis for robust speech processing and applications", PHD Thesis, Graz University of Technology, 2007.
15. [15] I. Pinter, "Perceptual wavelet-representation of speech signals and its application to speech enhancement", Computer Speech and Language, Vol. 10, No. 1, pp. 1-22, 1996. [DOI:10.1006/csla.1996.0001]
16. [16] M.A. Messaoud, A. Bouzid, "Speech enhancement based on wavelet transform and improved subspace decomposition", Journal of Audio Engineering society (JAES), Vol. 63, No.12, pp.1-11, 2015. [DOI:10.17743/jaes.2015.0083]
17. [17] C.L. Wu, H.P. Hsu, S.S. Wang, J.W. Hung, Y.H. Lai, H.M. Wang, Y. Tsao, "Wavelet speech enhancement based on robust principal component analysis", Proc. Interspeech , 781, pp. 439-443, 2017.
18. [18] T.Y. Zuo, L. He, W.D. Sheng, "A new algorithm of the wavelet packet speech denoising based on masking perception model", 7th International conference on natural computation (ICNC), Vol. 1, 2011, pp. 33-37.
19. [19] H. Zhao, X. Peng, L. Hu, G. Wang, "An improved speech enhancement method based on teager energy operator and perceptual wavelet packet decomposition", Journal of Multimedia, Vol. 6, No. 3, 2011. [DOI:10.4304/jmm.6.3.308-315]
20. [20] R. Gomez, T. Kawahara, "Optimized wavelet-based speech enhancement for speech recognition in noisy and reverberant conditions", APSIPA ASC, 2011.
21. [21] T.F. Sanam, C. Shahnaz, "Teager energy operation on wavelet packet coefficients for enhancing noisy speech using a hard thresholding function", Published in Signal Processing: An International Journal (SPIJ), Vol. 6, pp. 22-43, 2011.
22. [22] G. Chen, C. Xiong, J.J Corso, "Dictionary transfer for image denoising via domain adaptation", In Proceedings of IEEE International Conference on Image Processing, 2012. [DOI:10.1109/ICIP.2012.6467078]
23. [23] S. Mavaddati, S.M. Ahadi Sarkani, S. Seyedin, "A novel speech enhancement method by learnable sparse and low-rank decomposition and domain adaptation", Speech Communication, Vol. 76, pp. 42-60, 2016. [DOI:10.1016/j.specom.2015.11.003]
24. [24] A. Agarwal, A. Anandkumar, P. Jain, P. Netrapalli, R. Tandon, JMLR: Workshop and Conference Proceedings, Vol. 35, 2014, pp. 1-15.
25. [25] H. Lee, A. Battle, R. Raina, A.Y. Ng, "Efficient sparse coding algorithms", Advances in Neural Information Processing Systems, 2006.
26. [26] J. Portilla, L. Mancera, "L0-based sparse approximation: Two alternative methods and some applications", Proceedings of the 16th IEEE international conference on Image processing, 2009, pp. 3865-3868.
27. [27] مودّتی، سمیرا، احدی، محمد،"بهسازی گفتار به‌کمک یادگیری واژه‌نامه مبتنی‌بر داده"، پردازش علائم و داده‌ها، جلد 17، شماره 1، صفحه 99-116، 1399.
28. [27] S.Mavaddati, M. Ahadi, "Speech Enhancement using Adaptive Data-Based Dictionary Learning", JSDP, vol. 17 (1), pp. 99-116, 2020. [DOI:10.29252/jsdp.17.1.99]
29. [28] مظفری، رضا، مودّتی، سمیرا، "ارائه روش جدید حذف نوفه تصویر براساس یادگیری واژه‌نامه ناهمدوس و روش تطبیق فضا"، پردازش علائم و داده‌ها، جلد 16، شماره 4، صفحه 73-92، 1398.
30. [28] R. Mozaffari, S. Mavaddati, "A Novel Image Denoising Method Based on Incoherent Dictionary Learning and Domain Adaptation Technique", JSDP, vol. 16 (4), pp.73-92. 2020. [DOI:10.29252/jsdp.16.4.73]
31. [29] C.D. Sigg, T. Dikk, J.M. Buhmann, "Speech enhancement using generative dictionary learning", IEEE Transactions on Audio, Speech and Language Processing, Vol. 20, No.6, pp.1698-1712, 2012. [DOI:10.1109/TASL.2012.2187194]
32. [30] B. Efron, T. Hastie, I. Johnstone, R. Tibshirani, "Least angle regression", Ann. Stat., Vol. 32, pp. 407-499, 2004. [DOI:10.1214/009053604000000067]
33. [31] M. Aharon, M. Elad, A. Bruckstein, "K-SVD: An algorithm for designing overcomplete dictionaries for sparse representation", IEEE Trans. Signal Process, Vol. 54, No. 11, pp. 4311-4322, 2006. [DOI:10.1109/TSP.2006.881199]
34. [32] X. Wu, D. Yu, "Atomic Decomposition Method Based on Adaptive chirplet Dictionary", Advances in Adaptive Data Analysis, Vol. 4, pp. 1-19, 2012.
35. [33] J. Tropp, I. Dhillon, R.J. Heath, T. Strohmer, "Designing structural tight frames via an alternating projection method", IEEE Trans. on Information Theory, Vol. 51, No.1, pp. 188-209, 2005. [DOI:10.1109/TIT.2004.839492]
36. [34] M. Sustik, J. Tropp, I. Dhillon, R. Heath, "On the existence of equiangular tight frames", Linear Algebra and Its Applications, Vol. 426, No. 2, pp. 619-635, 2007. [DOI:10.1016/j.laa.2007.05.043]
37. [35] D. Liu, J. Nocedal, "On the limited memory BFGS method for large scale optimization", Math. Program, Vol. 45, pp. 503-528, 1989. [DOI:10.1007/BF01589116]
38. [36] S. Mavaddati, S.M. Ahadi Sarkani, S. Seyedin, "Speech enhancement using sparse dictionary learning in wavelet packet transform domain", Computer Speech and Language, Vol. 44, pp. 22-47, 2017. [DOI:10.1016/j.csl.2017.01.009]
39. [37] D.L. Donoho, "De-noising by soft-thresholding", IEEE Trans. Inf. Theory, Vol. 4, No. 3, pp. 613-627, 1995. [DOI:10.1109/18.382009]
40. [38] http://www.dcs.shef.ac.uk/spandh/gridcorpus.
41. [39] A. Varga, H. Steeneken, J.M. Tomlinson, D. Jones, "The Noisex-92 study on the effect of additive noise on automatic speech recognition", Technical Report. Malvern, U.K.: DRA Speech Res. Unit, 1992.
42. [40] H.G. Hirsch, D. Pearce, "The AURORA experimental framework for the performance evaluations of speech recognition systems under noisy conditions", Proc. ISCA ITRWASR, pp.181-188, 2000.
43. [41] http://pianosociety.com.
44. [42] Y. Lu, P.C. Loizou, "A geometric approach to spectral subtraction", Speech communication, Vol. 50, No. 6, pp. 453-466, 2008. [DOI:10.1016/j.specom.2008.01.003] [PMID] [PMCID]
45. [43] Y. Ghanbari, M.R. Karami Mollaei, "A new approach for speech enhancement based on the adaptive thresholding of the wavelet packets", Speech communication, Vol. 48, No. 40, pp. 927-940, 2006. [DOI:10.1016/j.specom.2005.12.002]
46. [44] S. Mavaddati, S.M. Ahadi Sarkani, S. Seyedin, "Modified coherence-based dictionary learning method for speech enhancement", Signal Processing, IET, Vol. 9, No. 7, pp. 1-9, 2015. [DOI:10.1049/iet-spr.2014.0148]
47. [45] J. Benesty, Springer handbook of speech processing, Springer's publication, pp. 843-871, 2008. [DOI:10.1007/978-3-540-49127-9]
48. [46] J. Demsar, "Statistical comparisons of classifiers over multiple data set", The Journal of Machine Learning Research, Vol. 7, pp. 1-30, 2006.
49. [47] D.J. Sheskin, Handbook of Parametric and Nonparametric Statistical Procedures, 4nd ed. Boca Raton, FL: Chapman & Hall/CRC, 2000.

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.