عنوان

بهبود کیفیت گفتار با استفاده از الگوریتم های بهینه سازی اتفاقی

Number

‭۴۷۵۸پ‬

.Language of Text, Soundtrack etc

per

Title Proper

بهبود کیفیت گفتار با استفاده از الگوریتم های بهینه سازی اتفاقی

First Statement of Responsibility

/لاله بدری اصل

Name of Publisher, Distributor, etc.

تبریز: دانشگاه تبریز ، دانشکده مهندسی برق وکامپیوتر ، گروه مخابرات

Specific Material Designation and Extent of Item

‮‭۱۶۴‬ص‬

Text of Note

چاپی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی برق - مخابرات-سیستم

Date of degree

‮‭۱۳۸۸/۱۱/۲۷‬

Body granting the degree

تبریز: دانشگاه تبریز ، دانشکده مهندسی برق وکامپیوتر ، گروه مخابرات

Text of Note

بهسازی سیگنال گفتار آلوده به نویز یکی از مسائل مهم در پردازش سیگنال گفتار می‌باشد .در این پژوهش، هدف بررسی روشهای بهسازی سیگنال گفتار دوکاناله توسط الگوریتم‌های بهینه‌صسازی اتفاقی ‮‭(stochastic optimization algorithms)‬ و ارزیابی عملکرد آنها با معیارهای استاندارد مختلف است .معمولا برای طراحی سیستمی که بتواند به صورت وفقی نویز را از سیگنال آغشته به نویز کم کند، از الگوریتم‌های مبتنی بر گرادیان‮‭based algorithms) - (gradient‬استفاده شده است .ولی این روش ها در جستجوی نقطه مینیمم ممکن است در مینیمم‌محلی ‮‭(local minimum)‬ به دام بیافتند، که سبب کاهش کارآمدی سیستم بهسازی گفتار دوکاناله با استفاده از الگوریتم‌های مبتنی بر گرادیان می‌شود .به همین جهت، در این پایان نامه از الگوریتم‌صهای بهینه‌سازی اتفاقی برای حذف وفقی نویز استفاده شده است .این الگوریتم‌صها با انتخاب نقاط تصادفی در فضای جستجو و تغییر دادن مکان آنها به صورت هوشمند، فضای خطا را جستجو می‌کنند تا به نقطه مینیمم کلی برسند .همچنین در این پایان نامه، برای بالا بردن عملکرد الگوریتم بهینه‌صسازی ازدحام ذرات‮‭(SPSO)‬ ، روش‌های ابتکاری بر مبنای بهینه‌سازی اتفاقی پیشنهاد شده‌اند که شامل الگوریتم بهینه‌سازی کوانتوم وفقی ازدحام ذرات بر مبنای تولید مثل غیرجنسی‮‭(ARAQPSO)‬ ، الگوریتم بهینه‌سازی ازدحام ذرات بر مبنای تولید مثل جنسی ‮‭(SRPSO)‬ و الگوریتم بهینه‌سازی ازدحام ذرات بر مبنای یادگیری ‮‭(LPSO)‬ می‌باشند .در الگوریتم‮‭ARAQPSO‬ ، ذراتی که فضا را جستجو می‌صکنند، به صورت غیرجنسی تکثیر می‌شوند .افزودن این قابلیت به ذرات، سبب به وجود آمدن جستجوی محلی وفقی در اطراف ذرات می‌شود که متناسب با شایستگی آنهاست .در الگوریتم‮‭SRPSO‬ ، جمعیت اولیه به دو زیرگروه مذکر و مونث تقسیم می‌صگردد که روش جستجو در هر کدام از آنها متفاوت است .همچنین، عملگرهای تقاطع و جهش سبب افزایش قابلیت الگوریتم در پیدا کردن راه حل بهینه می‌شوند .در نهایت، الگوریتم پیشنهادی دیگری به نام ‮‭LPSO‬ را مطرح می‌کنیم که در آن از مدلی با چندین زیرگروه مبتنی بر روش‌های یادگیری اطلاعات ‮‭(knowledge learning)‬ و تغییر وفقی بهترین ذره ‮‭(adaptive dynamic global best)‬ استفاده کرده‌ایم.

Text of Note

So far many gradient-based algorithms have been proposed based on adaptive filters for speech enhancement. The gradient-based algorithms that have been used in dual-channel speech enhancement are not suitable for multimodal error surface, as they are likely to stick in local optima. An alternative to gradient descent-based techniques is the class of stochastic optimization algorithms which are popular in a wide variety of applications. In these algorithms, the probability of encountering the global optimum is increased. In this thesis, we use stochastic optimization algorithms for dual-channel speech enhancement. One of the most recent algorithms in the class of stochastic optimization methods is the Particle Swarm Optimization (PSO) technique. Due to the complexity of optimization problems and lots of local optima near the global optimum, the standard PSO (SPSO) needs to be further improved to avoid entrapping in local optima. In this thesis, we propose improved particle swarm optimization algorithms for dual-channel speech enhancement. The proposed algorithms include Asexual Reproduction-based Adaptive quantum particle swarm optimization (ARAQPSO), Sexual Reproduction-based Particle Swarm Optimization (SRPSO) and Learning-based Particle Swarm Optimization (LPSO). In the proposed ARAQPSO algorithm, the particles that search the error space reproduce offspring asexually. This mechanism applies an adaptive local search around the particles proportional to their fitness. In the SRPSO, by simulating the sexual reproduction in nature, the proposed algorithm adopts different search strategies for male and female subgroups and improves both local and global search. The crossover and mutation operators add new solutions to the swarm. Finally, in the proposed LPSO, we the algorithm employs a multi-swarm model based on knowledge learning and dynamic search of global best to eliminate the drawbacks of the SPSO algorithm

Speech Enhancement

Adaptive Noise Cancellation

Adaptive Filter

Stochastic Optimization Algorithms

Particle Swarm Optimization

بدری اصل،لاله

گراوانچی زاده، مسعود، استادراهنما

مظفری تازه کند، بهزاد، استاد مشاور

Public note

سیاه و سفید

نمایه‌سازی قبلی