بکارگیری فیلترهای وفقی زیرباندی در ساختارهای با نرخ نمونه برداری افزوده به منظور بهسازی گفتار

فیلترهای وفقی در دو کاربرد پاکسازی گفتار از نویز و حذف انعکاس، قابلیت خوبی را در زمینه بهسازی گفتاری از خود نشان داده اند. مزایای فراوان پردازش در زیرباندها، موجبات گرایش محققین را به استفاده از فیلترهای وفقی زیرباندی (subband adaptive filters: saf) فراهم آورده است. سرعت همگرایی الگوریتم lms- که بطور معمول برای تنظیم ضرایب فیلتر وقفی مورد استفاده قرار می گیرد - به میزان سفید بودن طیف و یا مقدار گسترش مقادیر ویژه ماتریس خودهمبستگی سیگنال ورودی بستگی دارد. هنگامی که برای نیل به تاخیر گروهی کمتر و سادگی طراحی بانک فیلتر، saf در ساختارهای با نرخ نمونه برداری افزوده (و یا به اصطلاح over - samled saf: os-saf ) بکار گرفته می شود، رنگی شدن طیف سیگنال ورودی فیلتر وفقی، سرعت همگرایی الگوریتم lms را تا حد زیادی کاهش می دهد. از آن جا که این رنگی بودن طیف، با در نظر گرفتن مشخصات بانک فیلتر آنالیز، شکلی معین و شناخته شده دارد، با اعمال برخی پیش پردازش ها می توان سیگنال ورودی را تا حدودی سفید نموده وسرعت همگرایی را بهبود بخشید.در این تحقیق، بر اساس رابطه موجود میان مقادیر ویژه ماتریس خود همبستگی ورودی و توان خطای خروجی lms، دو روش فیلتر پیش تاکید و decimation را برای سفید سازی طیف پیشنهاد نموده و اثر آنها را بر پایه این رابطه تئوری بررسی و تحلیل می نماییم. روش فیلتر پیش تاکید اگر چه با افزایش سطح طیف در منطقه قطع باعث بهبود رفتار الگوریتم lms می گردد ولی اعمال آن، افزاشی نسبی حجم محاسبات را به دنبال دارد، ولی روش decimation نه تنها با گسترش طیف سیگنال زیرباند، ورودی سفید تری را برای فیلتر وفقی فراهم می آورد، بلکه علاوه بر آن، میزان محاسبات را نیز به مقدار قابل توجهی کاهش می بخشد با ادغام روش فیلتر پیش تاکید و decimation و ارائه یک تکنیک ترکیبی، هم سرعت همگرایی در روش lms به طور چشمگیری بهبود یافته و هم حجم محاسبات لازم (در مقایسه با حالت بدون سفید سازی) کاسته می گردد.با شبیه سازی سیستم os-saf در دو کاربرد گفتار از نویز و حذف انعکاس و اعمال تکنیک های ارائه شده برای سفید سازی طیفی، افزایش سرعت همگرایی الگوریتم lms مورد تایید قرار گرفته است.