МЕТОД ВИЗНАЧЕННЯ ОПТИМАЛЬНОГО ВЕЙВЛЕТ-БАЗИСУ ДЛЯ ОБРОБКИ МОВНИХ СИГНАЛІВ
DOI:
https://doi.org/10.18372/2310-5461.63.19757Ключові слова:
вейвлет-аналіз, мовний сигнал, вейвлет-коефіцієнти, оптимальний вейвлет-базис, порогова обробка, енергія вейвлет-спектраАнотація
В роботі розглядається метод вибору оптимальної вейвлет-функції в якості базису вейвлет-перетворення. Існуючі підходи оптимального вибору материнської вейвлет-функції для обробки мовних сигналів побудовані на базі критерію мінімальної ентропії вейвлет-коефіцієнтів, мають один головний недолік, який полягає в тому, що ентропія характеризується лише розподілом імовірностей появи певних вейвлет-коефіцієнтів у мовному сигналі. Цей факт не дає змоги існуючий підхід вважати оптимальним, адже він не враховує показник точності реконструкції мовного сигналу за вейвлет-коефіцієнтами. Таким чином, розроблений метод визначення оптимального вейвлет-базису враховує не лише абсолютний показник ентропії, а й його вплив на реконструкцію мовного сигналу, який базуватиметься на знаходженні оптимального значення адаптивної порогової фільтрації вейвлет-коефіцієнтів мовного сигналу, де функціональною оцінкою похибки реконструкції сигналу слугуватимуть об'єктивні кількісні метрики – середньоквадратична помилка вхідного і обробленого сигналів, а також енергія вейвлет-коефіцієнтів до та після порогової обробки. У запропонованому методі показано алгоритм аналізу вейвлет-спектрів із різними вейвлет-функціями з метою оцінювання їхньої придатності для оптимальної обробки мовних сигналів у задачах фільтрації, стиснення, кодування, синтезу та розпізнавання мови. У результаті показано, що в задачі обробки мовних сигналів за допомогою вейвлет-аналізу найоптимальнішим є вейвлет Мейєра. У роботі представлено розроблений критерій оптимальності вибору породжувальної вейвлет-функції, в якості базису вейвлет-перетворення. Критерій ґрунтується на визначенні локальної енергетичної щільності розподілу частот вейвлет-спектра мовного сигналу та на можливості провести реконструкцію сигналу за допомогою оберненого вейвлет-перетворення з найменшою похибкою. Дослідження показало, що ефективність розробленого методу підвищилася на 20.5 %, або в 1.4 рази, на відміну від існуючого методу на основі критерію мінімуму ентропії – 52.1 %, і склала 72.6 %.
Посилання
L. Cheng, D. Li, X. Li and S. Yu, “The Optimal Wavelet Basis Function Selection in Feature Extraction of Motor Imagery Electroencephalogram Based on Wavelet Packet Transformation,” in IEEE Access, vol. 7, pp. 174465-174481, 2019, doi: 10.1109/ACCESS.2019.2953972.
O. Lavrynenko, G. Konakhovych and D. Bakhtiiarov, “Method of voice control functions of the UAV,” 2016 4th International Conference on Methods and Systems of Navigation and Motion Control (MSNMC), Kiev, Ukraine, 2016, pp. 47-50, doi: 10.1109/MSNMC.2016.7783103.
K. T. Shivaram, N. Mahesh Kumar, M. Anusha and B. S. Manohar, “The optimal numerical wavelet based integration of probability density function by chebyshev wavelet method,” 2019 International Conference on Intelligent Computing and Control Systems (ICCS), Madurai, India, 2019, pp. 175-177, doi: 10.1109/ICCS45141.2019.9065515.
K. Geetha and M. K. Hota, “Seismic Random Noise Attenuation Using Optimal Empirical Wavelet Transform With a New Wavelet Thresholding Technique,” in IEEE Sensors Journal, vol. 24, no. 1, pp. 596-606, 1 Jan.1, 2024, doi: 10.1109/JSEN.2023.3334819.
O. Lavrynenko, A. Taranenko, I. Machalin, Y. Gabrousenko, I. Terentyeva and D. Bakhtiiarov, “Protected Voice Control System of UAV,” 2019 IEEE 5th International Conference Actual Problems of Unmanned Aerial Vehicles Developments (APUAVD), Kiev, Ukraine, 2019, pp. 295-298, doi: 10.1109/APUAVD47061.2019.8943926.
F. Li, B. Wu, N. Liu, Y. Hu and H. Wu, “Seismic Time–Frequency Analysis via Adaptive Mode Separation-Based Wavelet Transform,” in IEEE Geoscience and Remote Sensing Letters, vol. 17, no. 4, pp. 696-700, April 2020, doi: 10.1109/LGRS.2019.2930583.
C. Candemir, “Selection of Wavelet Based Optimal Denoising Method in fMRI Signals,” 2020 Innovations in Intelligent Systems and Applications Conference (ASYU), Istanbul, Turkey, 2020, pp. 1-5, doi: 10.1109/ASYU50717.2020.9259816.
O. Lavrynenko, B. Chumachenko, M. Zaliskyi, S. Chumachenko and D. Bakhtiiarov, “Method of Remote Biometric Identification of a Person by Voice based on Wavelet Packet Transform,” CEUR Workshop Proceedings, 2024, vol. 3654, pp. 150-162.
G. Yang, Y. Song and J. Du, “Speech Signal Denoising Algorithm and Simulation Based on Wavelet Threshold,” 2022 4th International Conference on Natural Language Processing (ICNLP), Xi'an, China, 2022, pp. 304-309, doi: 10.1109/ICNLP55136.2022.00055.
M. Rakhimov, “Algorithm for Parallel Processing of a Speech Signal based on the Haar Wavelet,” 2022 International Conference on Information Science and Communications Technologies (ICISCT), Tashkent, Uzbekistan, 2022, pp. 1-4, doi: 10.1109/ICISCT55600.2022.10146906.
O. Lavrynenko, D. Bakhtiiarov, V. Kurushkin, S. Zavhorodnii, V. Antonov and P. Stanko, “A method for extracting the semantic features of speech signal recognition based on empirical wavelet transform,” Radioelectronic and Computer Systems, 2023, vol. 107, no. 3, pp. 101-124. doi: 10.32620/reks.2023.3.09.
N. Zhang and Z. Wang, “Noise Reduction of Speech Signal Based on Wavelet Transform with Improved Threshold Function,” 2020 12th International Conference on Measuring Technology and Mechatronics Automation (ICMTMA), Phuket, Thailand, 2020, pp. 542-547, doi: 10.1109/ICMTMA50254.2020.00122.
Y. Tverdokhlib and V. Dubrovin, “Research on Wavelet Filter Features for Nonstationary Signals,” 2019 IEEE International Scientific-Practical Conference Problems of Infocommunications, Science and Technology (PIC S&T), Kyiv, Ukraine, 2019, pp. 785-788, doi: 10.1109/PICST47496.2019.9061501.
H. He, X. Wei and H. Huang, “An Improved Teaching-Learning Optimization Algorithm based on Morlet Wavelet Variation,” 2021 5th Asian Conference on Artificial Intelligence Technology (ACAIT), Haikou, China, 2021, pp. 94-106, doi: 10.1109/ACAIT53529.2021.9731331.
O. Veselska, O. Lavrynenko, R. Odarchenko, M. Zaliskyi, D. Bakhtiiarov, M. Karpinski and S. Rajba, “A Wavelet-Based Steganographic Method for Text Hiding in an Audio Signal,” Sensors, 2022, vol. 22, no. 15, pp. 1-25. doi: 10.3390/s22155832.
H. Xiao, D. Hu and J. Wang, “Threshold selection of wavelet denoising based on optimization algorithms,” 2022 International Conference on Innovations and Development of Information Technologies and Robotics (IDITR), Chengdu, China, 2022, pp. 88-92, doi: 10.1109/IDITR54676.2022.9796485.
S. Sun, Y. Sun, Y. Li, S. Ma, L. Zhang and Y. Hu, “An Adaptive Wavelet Multilevel Soft Threshold Algorithm for Denoising Partial Discharge Signals,” 2019 IEEE Sustainable Power and Energy Conference (iSPEC), Beijing, China, 2019, pp. 1874-1878, doi: 10.1109/iSPEC48194.2019.8975273.
O. Lavrynenko, R. Odarchenko, G. Konakhovych, A. Taranenko, D. Bakhtiiarov and T. Dyka, “Method of Semantic Coding of Speech Signals based on Empirical Wavelet Transform,” 2021 IEEE 4th International Conference on Advanced Information and Communication Technologies (AICT), Lviv, Ukraine, 2021, pp. 18-22, doi: 10.1109/AICT52120.2021.9628985.
X. Y. Kek, C. S. Chin and Y. Li, “Multi-Timescale Wavelet Scattering With Genetic Algorithm Feature Selection for Acoustic Scene Classification,” in IEEE Access, vol. 10, pp. 25987-26001, 2022, doi: 10.1109/ACCESS.2022.3156569.
O.Yu. Lavrynenko, D.I. Bakhtiiarov, B.S. Chumachenko, O.G. Holubnychyi, G.F. Konakhovych and V.V. Antonov, “Application of Daubechies wavelet analysis in problems of acoustic detection of UAVs,” CEUR Workshop Proceedings, 2024, vol. 3662, pp. 125-143.
