ارائه یک روش جدید بهسازی گفتار بر مبنای یادگیری مدل ناهمدوس به کمک ضرایب تبدیل موجک

بهسازی گفتار یکی از زمینه های پرکاربرد در پردازش سیگنال است که در حوزه های مختلفی مورد استفاده قرار می گیرد. در این مقاله از مفاهیم بازنمایی تنک و یادگیری واژه نامه به منظور حذف نوفه از سیگنال گفتار در فضای ویژگی تبدیل موجک استفاده می شود. ساختار مورد نیاز جهت بازنمایی هر مولفه از سیگنال به کمک مفاهیم بازنمایی تنک، براساس تعداد کمی از اتم های یادگیری شده امکان پذیر است. به منظور دست یابی به نتایج مطلوب در بهسازی گفتار، از روال یادگیری واژه نامه ناهمدوس بهره گرفته می شود. به کمک ضرایب تبدیل موجک، تجزیه سیگنال در زیرباندهای مختلف که شامل اطلاعات دقیقی از محتوای سیگنال هستند، فراهم می شود. در روش پیشنهادی، دو سناریوی نظارت شده و نیمه نظارت شده مورد بررسی قرار گرفته و یک الگوریتم آشکارساز فعالیت گفتاری در هر سناریو با توجه به شرط های معرفی شده بر اساس واژه نامه های یادگیری شده در گام آموزش، پیشنهاد می شود. با استفاده از نتایج خروجی آشکارساز پیشنهادی، سیگنال گفتار تخمینی طی یک روال بهسازی در گام بعد به دست خواهد آمد. نتایج گزارش شده براساس معیارهای مختلف ارزیابی عملکرد، بر توانایی این روش در زمینه کاهش نوفه سیگنال گفتار تاکید می کند. روش های پیشنهادی، توانایی بالایی را در خصوص کاهش نوفه های ناایستا به خصوص در مقادیر سیگنال به نوفه پایین دارد.