CC BY
92. Галушко В. Г. Вероятностно-статистические методы на автотранспорте. - Киев: Вища школа, 1976. -232 с.
3. Гюлев Н. У. Выбор рационального количества автобусов на маршрутах города с учетом влияния человеческого фактора: дис...канд. техн. наук. - Х.: ХАДИ, 1993. - 174 с.
4. Пермовский А. А. Пассажирские перевозки. - Н. Новгород, НГПУ, 2011. - 164 с.
5. Понкратов Д. П., Фалецька Г. I. Оцшка значущост критерив вибору пасажирами шляху пересування у
мiстах // Науковi нотатки. Мiжвузiвський збiрник. -Луцьк, 2014. - Вип. 46. - С. 452 - 459.
6. Руководство по физиологии труда / под ред. М. И. Виноградова. - М.: Медицина, 1969. - 408 с.
7. Физиологические принципы разработки режимов труда и отдыха / под. ред. В. И. Медведева. - Л. Наука, 1984. - 140 с.
8. Яновський П. О. Пасажирськ перевезення. - КиТв.: НАУ, 2008. - 469 с.
ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ И АНАЛИЗ АЛГОРИТМОВ ШУМООЧИСТКИ ПРИ МНОГОКАНАЛЬНОМ ВЕДЕНИИ АКУСТИЧЕСКОЙ РЕЧЕВОЙ РАЗВЕДКИ ЧАСТЬ 1
Гуляев Владимир Павлович
кандидат технических наук, Уральский федеральный университет имени Первого президента России
Б.Н. Ельцина, г. Екатеринбург
EXPERIMENTAL RESEARCH AND ANALYSIS OF ALGORITHMS FOR NOISE REDUCTION WITH MULTICHANNEL ACOUSTIC VOICE OPERATED EXPLORATION PART 1
Gulyaev Vladimir Pavlovich, Ural Federal University, named after the first President of Russia Boris Yeltsin, Yekaterinburg АННОТАЦИЯ
В доступных литературных источниках не обнаружены работы по анализу надежности защиты речевой информации при пространственно-многоканальном ведении акустической речевой разведки (АРР) с применением различных алгоритмов шумоочистки. Такая тактика ведения АРР требует иных подходов к активной маскировке речевых сигналов. В статье приводятся результаты анализа пяти алгоритмов шумоочистки при пространственно-многоканальном ведении АРР. ABSTRACT
In the available literature has not found work on the analysis of the reliability of the protection of verbal information with spatial-multichannel acoustic voice operated exploration (ADR) using different algorithms for noise reduction. Such tactics of ADR requires other approaches to active disguise voice signals. The article presents the results of the analysis of five algorithms for noise reduction in spatio-multichannel management ADR.
Ключевые слова: адаптивные алгоритмы, отношение сигнал/шум (С/Ш), фильтрация, словесная разборчивость.
Key words: Adaptive algorithms, signal-to-noise ratio (s/w), filtering, verbal intelligibility.
Под многоканальностью ведения АРР следует понимать ведение технической разведки одновременно с разных, разделенных в пространстве, разведнаправлений с использованием аппаратуры различного назначения (акустическая, виброакустическая, оптико-электронная, ПЭМИН и т.д.). Для такого ведения разведки может быть применена обработка принятых с разных разведнаправлений сигналов по различным алгоритмам. Рассмотрим наиболее распространенные из этих алгоритмов.
1. Алгоритм суммарной обработки зашумленных речевых сигналов.
Модель такой обработки имеет вид
N N N
ЯП^ = У ЯП. = £ • У + У П.
1 = 1 1 = 1 1 = 1 , (1) где У - суммарная смесь сигнала и шумов;
- зашумленные речевые сигналы,
принятые с разных разведнаправлении;
■ чистыи рече-
разведнаправлению; 1 2 N - маскирующие взаим-
N
количество развед-
нонекоррелированные шумы; направлений АРР.
При сложении мощность когерентно суммируемого речевого сигнала увеличивается в N раз (при усло-
а
вии 1 = 1, I = 1, 2, ..., N). Мощность суммируемого шума, у которого межсигнальная корреляция отсутствует, увеличивается в N раз (аналогично дисперсии суммы независимых слагаемых). За счет этого отношение сигнал/шум в суммарном сигнале возрастает по сравнению с начальным.
Рассмотрено последовательное увеличение количества направлений ведения разведки с одного до четырех. Так для одного направления при приеме зашумлен-ного речевого сигнала с начальной величиной словесной
разборчивости равной 20% (рис. 1) после обработки сглаживающим фильтром Савицкого-Голея словесная разборчивость стала 35%. После увеличения количества
вои сигнал;
ослабление речевого сигнала s по i-му
направлений разведки д° четырех анализируемая вели- начальной величины словесной разборчивости Ю% для чина повысилась до уровня 84% (рис. 2а). При обработке четырехканального приема словесная разборчивость по-сглаживающим фильтром Савицкого-Голея для меньшей высилась до 72%.
Рисунок 1 - Смесь сигнала и шума (
W = 20%
Рисунок 2 - а) Очищенный сигнал после фильтра
2. Алгоритм вычитания амплитудных спек-
тров.
В качестве обоснования этого алгоритма приводятся следующие соображения. Если стационарный сиг-
з(г)
нал
искажен аддитивным стационарным шумом
, который предполагается некоррелированным с
п(г) )
4 7 , то спектральная плотность мощности полезного сигнала может быть оценена как разность спектральных плотностей мощности зашумленного сигнала и шума:
Савицкого-Голея (84%); б) Чистый речевой сигнал;
Так как речевые сигналы являются нестационарными, использовать это соотношение нельзя. На практике, при обработке речи на достаточно коротких участках, например, квазистационарных участках гласных звуков, данные величины аппроксимируют с помощью усредненных квадратов кратковременных амплитудных спектров сигнала и шума. Спектр шума при этом должен оцениваться в моменты пауз речи [1],
\S(t, i-w)\ =<
Gs (iw) = Gsn (iw) - Gn (iw)
\X (t, i-w)\2 - A(t)\N (t, i-w)\2 B-\N (t, i-wf
Jsn
n
(2)
(3)
1 |2
£ г-Щ
где - оценка квадрата амплитудного спектра
сигнала;
)
|X (t, i-a>)f
кратковременный амплитудный спектр за-
I |2
N(г,
шумленного сигнала; 1 1 - оценка кратковремен-
ного амплитудного спектра шума; А(г) - фактор переоценивания, зависит от соотношения сигнал/шум на сегменте
анализа; В - спектральный порог, выбирается в диапазоне 0.01 - 0.1.
Для определения пауз в зашумленном речевом сигнале производится деление каждой смеси сигнала и шума на сегменты и вычисляются коэффициенты корреляции между ними. Если коэффициент корреляции меньше определенного порога, то считается, что речевой сигнал отсутствует и сегмент является шумом. В результате стро-
ится шумовой вектор, собранный поинтервально, значения которого на каждом из интервалов могут быть либо нулевыми (если принято решение о наличии речевого сигнала) либо равным значениям зашумленного сигнала. Полученный шумовой вектор изображен на рис. 3.
Далее берется один сегмент с шумом и дополняет пустые места вектора шума. Тем самым создается оценка шума, не имеющего в себе речевого сигнала, но коррелированного со смесью сигнал+шум. Дополненный шумовой вектор изображен на рис. 4. Используя полученный шумовой вектор, производится очистка речевого сигнала в соответствии с данным алгоритмом. В итоге словесная разборчивость повысилась с 20% до 53% (рисунок 5а), либо для меньшей начальной величины с 10% до 32% .
Рисунок 3 - Шумовой вектор (синим) и речевой сигнал (красным)
Рисунок 4-Дополненный шумовой вектор
Оcfifehenniysignal posJe filtra Savfekogo-Golea
Рисунок 5 - а) Очищенный сигнал после фильтра Савицкого-Голея (53%); б) Чистый речевой сигнал;
3. Алгоритм оценивания минимальной среднеквад-ратической ошибки.
Как и вычитание спектров, алгоритм основан на оценке амплитудного спектра сигнала, для которого дополнительно определяются два апостериорных и априорных локальных отношений сигнал/шум [1]:
а ( {) = \в8П(Щ)|2
аРОБТи ) ч12
E| Gn (iw)\
(4)
dPRI
(f) =
E Gs (iw)\ El Gn (iw)
. (5)
Далее по аналогии с предыдущим алгоритмом определяются участки в смеси сигнала и шума, которые соответствуют моментам пауз в речевом сообщении, и строится шумовой вектор. В результате словесная разборчивость повысилась с 20% до 75% (рис. 6а), либо для меньшей начальной величины с 10% до 58% .
Рисунок 6 - а) Очищенный сигнал после фильтра Савицкого-Голея (75 %); б) Чистый речевой сигнал;
4. Адаптивная фильтрация зашумленных речевых
сигналов.
Адаптивный фильтр представляет собой систему,
структура которой изменяется таким образом, чтобы его функционирование улучшалось в результате взаимодей-
ствия с окружающей его средой [2].
Рассматривается схема адаптивного подавления
помех, изображенная на рис. 7. В ней присутствует два
входа. На первый вход подается первая смесь сигнала и шума 1, а на второй вход вторая смесь сигнала и шума 2.
п п2
На представленном рисунке шумовые сигналы 1 и 2 некоррелированны. Так же как и речевой сигнал s некоррелирован с этими шумами.
Рисунок 7 - Адаптивная фильтрация зашумленных речевых сигналов
Адаптивный фильтр, изменяя свои весовые коэф- лучается сигнал ошибки. Процесс изменения весовых ко-фициенты стремиться преобразовать второй входной сиг- эффициентов адаптивного фильтра будет продолжаться нал так, чтобы на выходе была оценка чистого речевого до тех пор, пока в сигнале ошибки кроме шума будет про-сигнала. Затем выходной сигнал адаптивного фильтра вы- ходить часть речевого сигнала. Если же сигнал ошибки бу-читается из первого входного сигнала, таким образом, по- дет состоять только из шума, тогда корреляции между
вторым входным сигналом фильтра и сигналом ошибки
не будет, следовательно, весовые коэффициенты фильтра изменяться не будут. В качестве алгоритма адаптивной фильтрации рассматривается алгоритм наименьших квадратов (Least Mean Squares, LMS).
В результате пропускания двух зашумленных речевых сигналов через адаптивный фильтр, в выходном сиг-
нале словесная разборчивость повысилась с
78% или с 10% до 68% .
20%
до
Так же адаптивная фильтрация применима при использовании более двух каналов съема информации. Основываясь на методе суммарной обработке сигналов: на первый вход адаптивного фильтра подается первый за-шумленный сигнал, а на второй вход суммарная смесь, содержащая все зашумленные сигналы кроме первого. При обработке четырех зашумленных сигналов словесная разборчивость повысилась: с 20% до 91% (рис. 8а), либо с 10% до 83%.
Ohistienniysignalpcslefiltra Saviskogc-Golea
t. sec Chistry signal
зес
Рисунок 8 - а) Очищенный сигнал после фильтра Савицкого-Голея = 91%); б) Чистый речевой сигнал;
Продолжение анализа и результатов экспериментальных исследований алгоритмов шумоочистки рассмотрены в работе: Гуляев В.П. «Экспериментальные исследования алгоритмов шумоочистки при многоканальном ведении акустической речевой разведки. Часть 2».
2.
Литература
Чучупал В.Я., Чичагов А.С., Маковкин К.А. Цифровая фильтрация зашумленных речевых сигналов. Вычислительный центр РАН Москва, 1998. 52 с. Уидроу Б., Стирнз С. Д. Адаптивная обработка сигналов. М.: Радио и связь, 1989. 440 с.
ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ И АНАЛИЗ АЛГОРИТМОВ ШУМООЧИСТКИ ПРИ МНОГОКАНАЛЬНОМ ВЕДЕНИИ АКУСТИЧЕСКОЙ РЕЧЕВОЙ РАЗВЕДКИ ЧАСТЬ 2
Гуляев Владимир Павлович
кандидат технических наук, Уральский федеральный университет, имени Первого президента России Б.Н. Ельцина, г. Екатеринбург, (Продолжение статьи Гуляев В.П. Экспериментальные исследования алгоритмов шумоочистки при многоканальном ведении акустической речевой разведки. Часть 1.)
EXPERIMENTAL RESEARCH AND ANALYSIS OF ALGORITHMS FOR NOISE REDUCTION WITH MULTICHANNEL ACOUSTIC VOICE OPERATED EXPLORATION PART2
Gulyaev Vladimir Pavlovich, Ural Federal University, named after the first President of Russia Boris Yeltsin, Yekaterinburg (Article Continued Gulyaev V.p. experimental study of algorithms for noise reduction with multichannel acoustic voice operated exploration part 1.) АННОТАЦИЯ
В доступных литературных источниках не обнаружены работы по анализу надежности защиты речевой информации при пространственно-многоканальном ведении акустической речевой разведки (АРР) с применением различных алгоритмов шумоочистки. Такая тактика ведения АРР требует иных подходов к активной маскировке речевых сигналов. В статье приводятся результаты анализа пяти алгоритмов шумоочистки при пространственно-многоканальном ведении АРР.
