stIDTFT
پنجره گذاری
SVD

stDTFT

stDTFT

Phase Information

VAD&V/U Detector
فیلتر کردن مقادیر منفرد
SVD معکوس

شکل ۴-۱- بلوک دیاگرام کلی روش ارائه شده SVD-Spectral Subtraction (SVSS)
۴-۱-۱- قسمت تخمین نویز:
در روش های متداول تفریق طیفی برای تخمین طیف نویز از فریم های سکوت موجود در سیگنال گفتار استفاده می شود. اما در روش پیشنهادی برای تخمین طیف نویز از تجزیه مقادیر منفرد بهره می گیریم. روش کار چنین است که بواسطه اعمال تجزیه مقادیر منفرد روی سیگنال گفتار آغشته به نویز، یکسری مقادیر، معروف به مقادیر منفرد را محاسبه می کنیم.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

هنگامی که سیگنال یک بعدی با همبستگی زیاد و آغشته به نویز با بهره گرفتن از نگاشت تجزیه مقادیر منفرد (SVD) به فضایی با ابعاد زیاد نگاشته می شود، داده هایی که با یکدیگر همبستگی دارند (اطلاعات مربوط به سیگنال اصلی) در یک راستا قرار می گیرند. بدین معنی که مقادیر منفرد مربوط به سیگنال گفتار، بزرگتر بوده و مقادیر منفرد مربوط به نویز، کوچکتر است. بدین ترتیب مولفه های بزرگ و کوچک سیگنال از یکدیگر به وسیله مقادیر منفرد جدا می شوند. تجزیه مقادیر منفرد ابزاری پایه ای و معتبر در حوزه نگاشت زیرفضایی است و می تواند برای تفکیک و شناسایی نمونه هایی از سیگنال که با یکدیگر همبستگی بیشتری دارند به کار رود. با فرض:

(۴-۱)

خواهیم داشت:

(۴-۲)

با استناد به این مشاهده که مقادیر نمونه های نویز واقعی در حوزه زمان همبستگی کمتری نسبت به نمونه های سیگنال اصلی دارند، می توان مقادیر منفرد کوچک () را به نویز نسبت داد و ماتریس هانکل نویز تخمینی را به شکل زیر بیان نمود:

(۴-۳)

نویزی که از این روش تخمین زده می شود را می توان در روش های گوناگون کاهش نویز به خصوص در روش های مبتنی بر تفریق طیفی استفاده نمود.
۴-۱-۲- فیلتر کردن مقادیر منفرد
همانطور که پیش از این بیان شده است، در روش های تفریق طیفی فرض بر آن است که تأثیر نویز در سراسر سیگنال به یک میزان است، در صورتی که وقوع چنین امری در طبیعت به ندرت اتفاق می افتد. چرا که علاوه بر وجود منابع مختلف نویز، حقیقت دیگری نیز وجود دارد و آن اینکه نویز در برخی از فرکانس ها، بیشتر از بقیه فرکانس ها بر روی سیگنال گفتاری اثر می گذارد]۱۶[. این وابستگی نویز به فرکانس، ما را به این حقیقت رهنمون می سازد که نویز بر روی حروف صدادار و بی صدا نیز به یک میزان اثر نمی گذارد]۱۶[. به همین دلیل، به دنبال روشی هستیم تا با تفکیک فریم های صدادار و بی صدا، با دقت بیشتری این تأثیر متفاوت نویز را در نظر داشته باشد.
قبل از پرداختن دقیق تر به الگوریتم کار، لازم است به انواع فریم های موجود در سیگنال گفتار و خصوصیات زمانی و فرکانسی آن ها اشاره شود. فریم های سیگنال گفتار به سه الگوی مجزا تقسیم می شوند: