راهکار جدید استخراج ویژگی مبتنی بر نمونه‌برداری فشرده در پردازش سیگنال‌های صوتی

در این مقاله با استفاده از راه‌کار نمونه‌برداری فشرده، الگوریتمی برای استخراج ویژگی از سیگنال‌های صوتی معرّفی می‌شود. در روش پیشنهادی، ابتدا سیگنال صوت، پنجره‌گذاری شده و تبدیل فوریه نمونه‌های درون هر پنجره محاسبه می‌شود. سپس مقادیر دامنه‌های هنجارشده ضرایب به‌دست آمده در هر پنجره با هم جمع شده و از بردار حاصله که مولّفه‌های آن مجموع دامنه ضرایب در هر پنجره است دوباره تبدیل فوریه گرفته می‌شود؛ درنهایت با توجه به تُنُکی ایجاد‌شده، از بردار به‌دست آمده به‌صورت تصادفی نمونه‌برداری می‌شود. در این پژوهش در کاربرد‌های مختلفی، از بردار ویژگی به‌دست آمده استفاده شده است. ازجمله این کاربردها می‌توان به طبقه‌بندی اصوات و مکان‌یابی منابع صوت اشاره کرد. در شبیه‌سازی‌های صورت‌گرفته نشان داده می‌شود که در مقایسه با برخی طبقه‌بندی‌کنندهای مطرح دیگر، طبقه‌بندی‌کننده مبتنی بر ویژگی ارایه شده، دقّت بیش‌تر و بار محاسباتی کمتر دارد. همچنین در شبیه‌سازی‌ها نشان داده شده است که با استفاده از این الگوریتم استخراج ویژگی، موقعیت منابع را با خطای کمتر از دو درصد می‌توان، تعیین کرد.