fa راهکار جدید استخراج ویژگی مبتنی بر نمونه‌برداری فشرده در پردازش سیگنال‌های صوتی مقالات پردازش گفتار Paper پژوهشي Research در این مقاله با استفاده از راهکار نمونه‌برداری فشرده، الگوریتمی برای استخراج ویژگی از سیگنال‌های صوتی معرفی می‌شود. در روش پیشنهادی، ابتدا سیگنال صوت پنجره‌گذاری شده و تبدیل فوریه نمونه‌های درون هر پنجره محاسبه می‌گردد. سپس مقادیر دامنه‌های هنجارشده‌ی ضرایب بدست آمده در هر پنجره با هم جمع شده و از بردار حاصله که مولفه‌های آن مجموع دامنه‌ی ضرایب در هر پنجره می‌باشد مجددا تبدیل فوریه گرفته می‌شود، در نهایت با توجه به تُنُکی ایجاد‌شده، از بردار بدست آمده به صورت تصادفی نمونه‌برداری می‌شود. در این پژوهش در کاربرد‌های مختلفی از بردار ویژگی بدست آمده استفاده شده است. از جمله این کاربردها می‌توان به طبقه‌بندی اصوات و مکان‌یابی منابع صوت اشاره کرد. در شبیه‌سازی‌های صورت گرفته نشان داده می‌شود که در مقایسه با برخی از طبقه‌بندی‌کننده‌ی مطرح دیگر، طبقه‌بندی‌کننده مبتنی بر ویژگی ارائه شده، دقت بیشتر و بار محاسباتی کمتر دارد. همچنین در شبیه‌سازی‌ها نشان می‌دهد شده است که با استفاده از این الگوریتم استخراج ویژگی می‌توان موقعیت منابع را با خطای کمتر از 2 درصد، تعیین کرد. 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%. نمونه‌برداری فشرده، استخراج ویژگی، طبقه‌بندی اصوات، مکان‌یابی منابع صوت Feature Extraction, Compressive Sampling, Genre Classification, Sound Source Localization. 68 57 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-298-1&slc_lang=fa&sid=1 مهدی بنی طالبی دهکردی mbanitalebi@yahoo.com 1003194753284600671 1003194753284600671 Yes محمد تقی صادقی m.sadeghiyazduni.ac.ir 1003194753284600672 1003194753284600672 No یزد حمید رضا ابوطالبی habutalebiyazduni.ac.ir 1003194753284600673 1003194753284600673 No یزد Josef Kittler 1003194753284600674 1003194753284600674 No Surry