CC BY
10не 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.
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.
5. Фильтрация на основе нейронных сетей.
Нейронные сети или, точнее, искусственные нейронные сети, представляют собой технологию, которая находит свое применение в разнообразных областях благодаря одному важному свойству - способности обучаться на основе данных при участии учителя или без его вмешательства. В общем случае нейронная сеть представляет собой машину, моделирующую способ обработки мозгом конкретной задачи.
Для того чтобы добиться высокой производительности, нейронные сети используют множество взаимосвязей между элементарными ячейками вычислений -нейронами [2].
Работа искусственной нейронной сети по шумо-очистке речевого сигнала происходит следующим образом. Используется два подмассива - первый, в котором содержится исключительно шум и второй, в котором присутствуют смесь сигнала и шума. Процесс функционирования нейронной сети состоит из двух основных этапов -этапа обучения и этапа непосредственной работы.
На этапе обучения используется подмассив, содержащий исключительно шум. Вводятся два окна - окно с входными данными длиной к отсчетов и окно с целевыми данными длиной т отсчетов, как это показано на рис. 1.
Рисунок 1 - Этап обучения нейронной сети
Таким образом, например, для ряда вида {0.3 0.5 0.2 0.4 0.3 0.7 0.1 0.9 0.1 0.5 ...} и к = 4, т = 1 будем иметь такие вектора:
0.3 0.5 0.2 0.4 ^ 0.3 0.5 0.2 0.4 0.3 ^ 0.7 0.2 0.4 0.3 0.7 ^ 0.1
Во входное окно войдут первые 4 значения, а в целевое окно пятое значение, далее выполняется сдвиг на один отсчет и так далее. На выходе нейронной сети формируется сигнал N . Таким образом, сеть учится предсказывать значение точки за пределами входного окна, на основе тех точек, которые в него попали. Вводится величина
У, которая равна разности значений целевого окна и выходных значений нейронной сети [3].
Если нейронная сеть обучилась точно предсказывать поведение шума, тогда N = №, а У = 0, но так как шум представляет собой случайный процесс, значения которого распределены по нормальному закону, то в этом случае сеть не сможет свести ошибку к нулю. Единственное, что может сделать сеть, на основе полученных статистических данных, указать какое значение сейчас наступит с большей вероятностью. В результате выходная величина У, будет представлять собой шум, являющийся ошибкой экстраполяции (прогнозирования).
На этапе работы согласно рис. 2, используется подмассив, содержащий как шум, так и полезный сигнал. Но на данном этапе используется только одно окно с входными данными. Так как в процессе обучения сеть научилась предсказывать только случайную составляющую, ис-
ходный квазигармонический речевой сигнал будет пре- В результате после фильтрации словесная разбор-
терпевать незначительные изменения. В результате на чивость повысилась с 20% до 80% (рисунок 3а), либо для
выходе нейронной сети будет смесь речевого сигнала и „ „ 1П0/ 65%
меньшей начальной величины с 10%
ошибки экстраполяции входного вектора шума.
до
Рисунок 2 - Этап работы нейронной сети
Рисунок 3 - а) Выходной сигнал фильтра Савицкого-Голея (80%); б) Чистый речевой сигнал;
6. Метод синхронной обработки зашумленных ре-
чевых сигналов. (метод компенсации помеховых сигна-
лов)
Суть данного метода шумоочистки заключается в
синхронной регистрации сигнала двумя радиозакладками
с вибродатчиками, размещенными на внешней поверхно-
сти стены помещения, защита которой производится од-
ним вибропреобразователем средств защиты речевой ин-
формации.
Данный метод основывается на том, что скорости
распространения звука в строительных конструкциях на
порядок превышает скорость его распространения в воздухе (в кирпичной или бетонной стене этот показатель со-
ставляет около 3500-4000 м/с, в воздухе - около 340 м/с). Так в случае расположения источника информации в про-
извольной точке выделенного помещения, а излучаю-
щего шум вибропреобразователя - в центральной части
стены, и снимающих информацию вибродатчиков - на взаимном расстоянии около 3 м, сигнал на выходе каждого вибродатчика будет представлять собой смесь шума и речевого сигнала с различным временным смещением. Пример подобного канала утечки информации приведен на рис. 4.
Переданные в пункт сбора информации зарегистрированные сигналы в последующем могут быть обработаны по простейшему алгоритму, заключающемуся в нормировке по уровню и получении разностного сигнала. В результате обеспечивается практически полная очистка полезного речевого сигнала от шума [4].
Проведен эксперимент, в котором воспроизводилась модель данного канала утечки информации (рис. 5). Использовалось: два персональных компьютера, два одинаковых микрофона и три колонки. К каждому компью-
теру подключено по одному микрофону, для записи аку- Эксперимент производился следующим образом:
стических сигналов. Две колонки, подключенные к пер- на каждом персональном компьютере включались на за-вому компьютеру, предназначены для воспроизведения пись акустические сигналы. В процессе записи первые две шумовых помех. Третья колонка необходима для воспро- колонки, расположенные в непосредственной близости изведения речевого сигнала. от микрофонов, воспроизводили шумовые сигналы дли-
тельностью 15 секунд.
Рисунок 4 - Схема канала утечки речевой информации
Рисунок 5 - Модель канала утечки речевой информации
В этом интервале времени 15-ти секунд запускался на воспроизведение речевой сигнал длительностью 10 секунд, с помощью третьей колонки.
Так как одновременное включение программы записи, установленной на каждом компьютере маловероятно в силу человеческого фактора, дополнительно использовались импульсы синхронизации, которые представляли из себя три синусоидальных колебания. Данные импульсы синхронизации воспроизводились вместе с шумовым сигналом одним файлом. При обработке принятых сигналов выделяется часть сигнала, началом которого служат импульсы синхронизации. На рис.6, изображены два принятых сигнала, синхронизированных по времени и нормированных по амплитуде.
В результате шумоочистки по данному методу, в выделенном речевом сигнале значительно повысилась словесная разборчивость. Точное значение величины словесной разборчивости получить не удалось. Тем не менее, при воспроизведении и прослушивании выделенного речевого сигнала и очищенного с помощью фильтра Савиц-
кого-Голея аудио сигналов можно объективно утверждать, что сообщение содержит достаточное количество правильно понятых слов, что позволяет уверенно понимать смысл разговора.
Это говорит о том, что словесная разборчивость лежит в пределах 80 - 95%.
Все предыдущие результаты величин словесной разборчивости при анализе различных алгоритмов шумо-очистки приводились для маскировки сигналов "белым" шумом, который является самым распространенным типом помехи, используемым в средствах защиты речевой информации. Также проведено сравнение результатов шумоочистки речевых сигналов для двух других типов маскирующих помех: "розового" шума и "микшированной" помехи. Так наиболее надежную маскировку речевой информации из трех типов помех показал "розовый" шум. Практически такие же высокие результаты показала "микшированная" помеха, преимущество которой еще заключается в задании сравнимо меньшего значения отношения сигнал/шум (в среднем менее 2.5дБ).
Рпп atiy sign al v bligney tociike
t. sec
Рисунок 6 - а) Принятый сигнал в ближней точке; б) Принятый сигнал в дальней точке;
Анализ надежности шумовой маскировки речевой информации показывает, что использование различных алгоритмов шумоочистки и ведение многоканальной АРР позволяют повысить величины словесной разборчивости и отношения сигнал/шум до уровня достаточного для составления злоумышленником подробной справки о содержании перехваченного разговора.
В связи с этим появляется необходимость в создании наиболее эффективных средств и методов активной защиты речевой информации, учитывающих возможности шумоочистки речевых сигналов и ведения многоканальной речевой разведки. Для этого, необходимо проанализировать какие слабые и сильные стороны присутствуют в способах защиты от перехвата речевой информации.
Результаты экспериментальных исследований по сравнению маскирующих свойств трех различных типов помех показали, что наименее надежную маскировку речевой информации обеспечивает "белый" шум, при этом являясь самым распространенным типом помехи, используемым в сертифицированных средствах виброакустической защиты.
Далее необходимо проанализировать особенности работы различных алгоритмов шумоочистки речевых сигналов. Три из пяти алгоритмов: алгоритм вычитания амплитудных спектров, алгоритм оценивания минимальной среднеквадратической ошибки и нейросетевые алгоритмы, основываются на получении дополнительной статистической информации во время пауз речевого сигнала. Таким образом, у злоумышленника появляется возможность взятия образца чистого шумового сигнала. Это говорит о том, что непрерывный источник маскирующего шума является избыточным.
Предложен более эффективный метод маскировки речевых сигналов, который основывается на синхронном выключении источника шума на моменты пауз речи.
Для этого необходимо задание порога срабатывания, который учитывает особенности пассивной защиты на основе измерения коэффициентов звукоизоляции (виброизоляции) ограждающих конструкций защищаемого помещения. Таким образом, если речевой сигнал имеет слабую интенсивность, то в этом случае сигнал защищается только пассивным способом, так как необходимость в активной защите отсутствует. На рис. 7 показана модель синхронной маскирующей помехи с постоянно заданной интенсивностью.
Рисунок 7 - Синхронный шум с постоянно заданной интенсивностью
Алгоритм работы генератора синхронной маскирующей помехи заключается в следующем. Если уровень речевого сигнала в разведопасном направлении у ограждающей конструкции не превышает опасного порога (за ограждающей конструкцией в месте возможного расположения средств технической разведки не возможен или значительно затруднен перехват этого сигнала), то генератор не формирует маскирующую помеху. В противном случае генератор вырабатывает маскирующую помеху, обеспечивая необходимую маскировку речевого сигнала.
В качестве альтернативы можно использовать неравномерный синхронный шум, уровень которого зависит
от уровня анализируемого речевого сигнала. Модель такого шумового сигнала показана на рис. 8. Таким образом, для каждого интервала речи обеспечивается минимально необходимая для защиты интенсивность помехового сигнала.
Из сертифицированных ФСТЭК России нет ни одной, обладающей подобной функцией выключения в моменты пауз разговора. Среди несертифицированных средств есть похожие системы, но при этом большая часть из них относится к мобильным средствам, использующих головные телефоны, микрофоны и сильношумящие колонки, что неприемлемо при проведении закрытых совещаний.
Рисунок 8 - Синхронным неравномерный шум
В заключении необходимо отметить, что синхронный генератор шума имеет еще одно положительное свойство, связанное с минимизацией влияния на нервную систему человека, что в конечном итоге приводит к уменьшению дискомфорта при проведении переговоров.
Литература
1. Уидроу Б., Стирнз С. Д. Адаптивная обработка сигналов. М.: Радио и связь, 1989. 440 с.
2. Хайкин С. Нейронные сети: полный курс. М.: Издательский дом "Вильямс", 2006.1104 с.
3. Валюх А.А., Хандецкий В.С., Адаптивный цифровой фильтр на основе нейронной сети. // Нейроинфор-матика. 2010. №1. С. 174-182.
4. Бортников А. Н. Совершенствование технологий информационной безопасности речи. // Защита информации. Конфидент. 2001. №4. С. 34-37.
MODIFICATION OF MICROSTRUCTURE OF STAINLESS STEEL IN THE ELECTRON PLASTIC DEFORMATION UNDER CONTINUOUS STRETCHING WITH DIFFERENT SPEEDS
Hunenko Aleksey Valentinovich
MA student, Mozyr State Pedagogical University Named by I.P.Shamyakin
Dashuk Kristina Valer*evna MA student, Mozyr State Pedagogical University Named by I.P.Shamyakin
Savenko Vladimir Semenovich
Doctor of Technical Sciences, Professor, Chief of Physics Department, Mozyr State Pedagogical University Named
by I.P.Shamyakin
ABSTRACT
Considered electroplastic deformation of the samples of stainless steel under the action of a single-pulse current density of ~ 105 A / cm2 and duration of ~ 10-5 s, with continuous tension at different rates of loading. It is shown that under the influence of external radiation is substantially modified material structure occurs microsection microstructure grinding, crushing grains varies yield stress and elastic limit of the material.
