(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:
صدا دار[۱۲۶]
بی صدا[۱۲۷]
سکوت[۱۲۸]
همانطور که در شکل(۴-۲) و (۴-۳) ملاحظه می شود، حروف بی صدا دامنه کوچکتری نسبت به حروف صدادار دارند و دارای ماهیت نویزی می باشند در حالیکه حروف صدادار ماهیت پریودیک دارند که همین موضوع باعث افزایش خودهمبستگی این فریم ها در مقایسه با انواع بی صدا می شود. این موضوع با توجه به شکل (۴-۴) و (۴-۵)، تجمع نمونه ها در مرکز و مقدار دامنه های مشابه نسبت به شکل (۴-۶) کاملا مشهود است.
 
شکل ۴-۲- فریم بی صدا در حوزه زمان
 
شکل ۴-۳- فریم صدا دار در حوزه زمان
بیشتر بودن خود همبستگی در فریم های صدا دار، به نوبه خود باعث واریانس بیشتر الگوی SVD فریم های صدادار در مقایسه با فریم های بی صدا خواهد شد. همچنین این موضوع باعث تفکیک بیشتر مقادیر منفرد مربوط به نویز از سیگنال اصلی می شود. شکل (۴-۷) الگوی SVD این دو نوع از فریم ها را نشان می دهد. در این شکل بیشتر بودن دامنه مقادیر منفرد در فریم های صدا دار به وضوح به چشم می خورد.
 
شکل ۴-۴- خود همبستگی در فریم سکوت آغشته به نویز
 
شکل ۴-۵- خود همبستگی در فریم بی صدا
 
شکل ۴-۶- خود همبستگی در فریم صدا دار
 
شکل ۴-۷- مقایسه مقادیر منفرد فریم های بی صدا و صدا دار
علاوه بر مطالب بیان شده، چون ما در روش های پیشنهادی خود سعی داریم از تجزیه مقادیر منفرد برای تخمین نویز استفاده نماییم، در نظر گرفتن این نکته ضروری است که انتخاب آستانه به منظور تخمین نویز در فریم های متعلق به حروف صدادار با فریم های متعلق به حروف بی صدا متفاوت است.

برای دانلود متن کامل پایان نامه به سایت  fotka.ir  مراجعه نمایید.