«МЕТОДИЧЕСКИЕ УКАЗАНИЯ по дисциплине “ЦИФРОВАЯ ОБРАБОТКА СИГНАЛОВ” к курсовому проектированию для студентов специальности 7.080401 – “Информационные управляющие системы и технологии” Севастополь 2002 2 Методические ...»

Министерство образования и науки Украины

Севастопольский национальный технический университет

МЕТОДИЧЕСКИЕ УКАЗАНИЯ

по дисциплине “ЦИФРОВАЯ ОБРАБОТКА СИГНАЛОВ”

к курсовому проектированию

для студентов специальности

7.080401 – “Информационные управляющие системы и

технологии”

Севастополь

2002 2 Методические указания составлены в соответствии с требованиями программы дисциплины "Цифровая обработка сигналов" для студентов специальности 7.080401.

Целью настоящих методических указаний является быстрое введение студентов в проблематику курсового проектирования по дисциплине "Цифровая обработка сигналов", а также изложение содержания и порядка работы над курсовым проектом по каждой из предложенных тем.

Методические указания утверждены на заседании кафедры информационных систем протокол N от июня 2002 года.

Рецензент Минкин С.И., канд. техн. наук, доцент кафедры КиВТ.

СОДЕРЖАНИЕ

1. ЦЕЛИ И ЭТАПЫ КУРСОВОГО ПРОЕКТИРОВАНИЯ……………… 2. СОДЕРЖАНИЕ ПОЯСНИТЕЛЬНОЙ ЗАПИСКИ……………………. 3. ОБЩИЙ ПОРЯДОК ВЫБОРА ТЕМ ПРОЕКТИРОВАНИЯ………….. 4. ТЕМЫ ПРОЕКТОВ……………………………………………………… Тема 1. Распознавание изолированных слов речи……………………. Тема 2.Сжатие речи на основе алгоритмов векторного квантования.. Тема 3. Верификация диктора по голосу ……………………………… Тема 4.Синтез речи по фонологическому тексту……………………… Тема 5. Подавление акустического эхо………………………………… Тема 6. Активное управление подавлением шума…………………….. Тема 7. Передача дискретных сигналов с фазовой манипуляцией…... Тема 8. Передача дискретных сигналов с квадратурной амплитудной манипуляцией………………… Тема 9. Сжатие речи с помощью канальных и LPC-вокодеров….…… Тема 10. Сжатие изображений…………………………………………... Тема 11. Реализация звуковывх музыкальных эффектов……………… Тема 12. Сжатие аудиосигналов …………………………………………

1. ЦЕЛИ И ЭТАПЫ КУРСОВОГО ПРОЕКТИРОВАНИЯ

Целью курсового проектирования является закрепление студентами навыков решения прикладных задач цифровой обработки сигналов. В процессе выполнения курсового проекта студенты разрабатывают разнообразные технологические цепочки цифрового преобразования сигналов, выполняя программную реализацию элементов систем распознавания и синтеза речи, кодирования речи, сжатия аудио сигналов, подавления акустического эхо и др.

Задание и этапы проектирования указаны в соответствующих разделах данных методических указаний, в которых описываются предлагаемые темы курсовых проектов.

В ходе выполнения курсового проекта студенты должны приобрести необходимые практические навыки по разработке систем реального времени на цифровых сигнальных процессорах и закрепить на практике знания, полученные в лекционном курсе.

2. СОДЕРЖАНИЕ ПОЯСНИТЕЛЬНОЙ ЗАПИСКИ

На защиту студент представляет:

- пояснительную записку;

- электронную презентацию проекта в виде файла формата.ppt,.pdf или.ps;

- полностью отлаженное программное обеспечение.

Пояснительная записка должна выполняться в соответствии с требованиями действующих стандартов и содержать следующие разделы:

- введение;

- обзор существующих систем и методов решения задачи в соответствии с темой курсового проекта;

- обоснование метода решения задачи;

- разработка структурной схемы системы и расчет необходимых системных параметров;

- разработка программной модели системы на языке МАТЛАБ;

- результаты тестирования модели системы;

- разработка программного обеспечения системы на языке Си для реализации ее на цифровом сигнальном процессоре;

- анализ вычислительной сложности;

- анализ результатов реализации системы в реальном времени на цифровом сигнальном процессоре;

- краткое руководство пользователя;

- заключение;

- библиографический список;

- приложения:

- тексты программ на языке МАТЛАБ;

- тексты программ на языке Си

3. ОБЩИЙ ПОРЯДОК ВЫБОРА ТЕМ ПРОЕКТИРОВАНИЯ

Тема курсового проекта выдается на бригаду (2-3 чел.). В пояснительной записке должен быть приведен список авторов с указанием разделов, написанных каждым из них. Возможна выдача одной темы нескольким бригадам. Однако решения, представляемые каждой из бригад, должны быть различными. В случае их совпадения результаты защиты курсового проекта аннулируются для каждой из бригад. Защита курсового проекта происходит на 13-14 неделе семестра.

Перед началом проектирования студент составляет детальный график выполнения курсового проекта и утверждает его у руководителя.

Разработка алгоритма функционирования системы, обеспечивающей распознавание слов речи из ограниченного словаря.

Разработка и исследование программной реализации системы на основе ЦПОС.

Разработать на ЦПОС TMS320C6711 (5402) систему, выполняющую распознавание изолированных слов речи из словаря, ограниченного следующими словами: “да”, “нет”, “стоп”, “один”, “два”, “три”, “четыре”, “пять”, “шесть”, “семь”, “восемь”, “девять”, “ноль”.

Распознавание слов должно выполняться независимо от диктора в реальном времени. Распознаватель ориентирован на применение в системах, требующих голосового ввода цифровых данных. Распознанные цифры должны отображаться на экране. Слова “да”, “нет”, “стоп” являются командами. Команда “стоп” прерывает текущий сеанс ввода. Команда “нет” отменяет результат распознавания последней цифры. Команда “да” подтверждает результат распознавания и обеспечивает сохранение его в памяти.

3. Методические рекомендации по проектированию Для решения задачи распознавания слов речи из ограниченного словаря могут применяться различные подходы: сопоставление с эталоном, нейронные сети, разнообразные эвристические приемы [2,3,4,5,6].

Рассмотрим распознавание слов речи с помощью сравнения с эталоном. В этом случае структурная схема системы распознавания изолированных слов речи соответствует классической схеме системы распознавания образов [2].

На этапе предварительной обработки речевой сигнал x(t) подвергается фильтрации с целью улучшения качества. Данный этап необходим, если сигнал x(t) содержит помехи.

Процесс формирования образа слов предполагает выполнение двух процедур: сегментации и выделения элементов речи.

В процессе сегментации в потоке речи выделяются участки сигнала x(t), соответствующие отдельным словам. Для этого наиболее часто вычисляют энергию сигнала x(t) на коротких участках длительностью 10-25 мс. Участки с низкой энергией соответствуют паузам между словами.

Действия, выполняемые в ходе процедуры выделения элементов слов, существенно зависят от типов элементов, которые можно положить в основу акустического представления слова. Если предположить, что акустический образ слова состоит из фонем, то необходимо будет выделять фонемы; если учесть особенности реализации фонем в контексте, то следует выделять аллофоны; если рассматривать акустическую реализацию слова как обычный физический сигнал, то можно его представить в виде последовательности некоторых физических признаков и, следовательно, необходимо будет выделять эти признаки. Словом, выбор здесь довольно большой [3,5,6].

Рисунок 1.1 – Структурная схема системы распознавания Остановимся на признаковом описании речевого сигнала. Считают, что наиболее перспективны такие описания, которые адекватны процессу речеобразования человека и свойствам его слухового восприятия. Например, формантное описание или описание, основанное на использовании коэффициентов линейного предсказания (ЛПК). Подобные описания подробно изложены в [1].

Пусть для описания акустического образа слова выбрана последовательность кратковременных спектров Xi, i = 1, 2, …, l [1]. Тогда слово можно представить в виде спектрограммы где Xi – обозначение спектра S(f, ti).

Если некоторый спектральный элемент выбросить из последовательности, то получим новую последовательность из l-1 элемента. Найдется такое произношение слова (спектрограмма), которое совпадет с преобразованной последовательностью. Различные спектрограммы слова могут быть получены из некоторой базовой спектрограммы путем ее нелинейного сжатия или растяжения вдоль оси времени. Если взять в качестве базовой спектрограмму для самого быстрого и четкого произношения слова, то другие спектрограммы получаются в результате ее растяжения. Обозначим эту спектрограмму последовательностью и назовем ее эталоном.

Если в качестве первого и последнего эталонных элементов выбрать спектральные элементы пауз, то в процессе нелинейного растяжения будут получаться и спектрограммы слов, характеризуемые различной длиной пауз в начале и конце слова.

Реальные спектрограммы не могут абсолютно точно совпадать с эталонными, объясняется это наличием случайных помех и искажений. Кроме темпа, реальные спектрограммы отличаются также нелинейным изменением интенсивности на длине слова.

Изменения интенсивности учитываются так. Возьмем некоторый эталон el. Будем изменять интенсивность эталонных элементов. Для этого первый элемент возьмем с множителем 1(вместо E1 элемент 1 E1), второй - с множителем 2 и т.д. Разность i i 1 должна быть меньше некоторого порога. Теперь имеем новую спектрограмму слова, отличающуюся от el интенсивностью спектральных элементов. Это будет допустимая спектрограмма, так как для нее найдется соответствующее произношение слова. Таким образом, из исходной (базовой) спектрограммы можно получить всевозможные спектрограммы слова, которые формируют базу эталонов слов. При этом в базе эталонов хранится исходная (базовая) спектрограмма слова, а эталонные спектрограммы генерируются с помощью указанных правил.

На этапе обучения диктор наговаривает образцы слов, используя быстрое и четкое произношение. Образцы слов преобразуются в последовательности спектральных элементов, которые поступают на вход подсистемы отбора эталонов слов. Данная подсистема выделяет усредненный образец слова, который запоминается в базе данных.

На этапе распознавания происходит следующее. Пусть на вход системы поступило слово, которое представляется в виде спектрограммы xl длины l. Генерируются по правилам все возможные эталонные спектрограммы el и осуществляется поиск наиболее похожей. Сходство спектрограмм оценивается с помощью формулы где g ( X i, i Ei ) - функция, характеризующая сходство наблюдаемого Xi и эталонного iEi спектрального элементов. Часто в качестве функции g(.) используют Евклидово расстояние:

В приведенной схеме будет генерироваться огромное количество различных эталонных последовательностей el.

Для сокращения пространства поиска эталонных слов используют методы динамического программирования. Поясним их суть на примере.

Пусть на вход системы поступило слово В качестве исходного эталонного образца выбрана последовательность на основе которой могут быть сгенерированы эталоны отличающиеся только во втором элементе. Чтобы ответить на вопрос, какой из эталонов ( e8 или e8 ) больше похож на реальный образ слова x8, нет необходимости в полном сравнении x8 с эталонами. Достаточно сравнить g(X2, E1) и g(X2, E2). Если g(X2, E1) < g(X2, E2), то первый эталон больше похож на образ слова.

Все эталоны, содержащие восемь спектральных элементов и отличающиеся нелинейной деформацией темпа произношения, имеют общие части, поскольку генерируются на основе e5. Множество эталонов слова удобно задать в виде графа, изображенного на рисунке 1.2.

Стрелке, входящей в узел j–го столбца, приписывается j–й эталонный элемент Ej. Тогда каждому пути вдоль стрелок из точки А в точку В будет соответствовать некоторый эталон e8 слова. Выделенный жирными стрелками путь определяет эталон e8. Все пути из A в B исчерпывающе задают возможный темп произношения.

Пусть g(Xi, Ej) – длина стрелок входящих в узел i,j. Тогда сумма длин стрелок, лежащих на пути из А в В, есть величина, характеризующая сходство xl с эталоном, т.е. D(xl, el). Таким образом, найти ближайший эталон к распознаваемому образцу означает определить длину кратчайшего пути на графе из точки А в точку В. Для этого вычисляют для каждого узла графа вспомогательные значения Fij.

Примем F11=g(X1, E1). Для остальных узлов Fij определяется по формуле Величина Flq и будет расстоянием от распознаваемого сигнала xl до множества эталонных сигналов слова с различным темпом произношения.

Аналогично можно построить граф, задающий всевозможные эталоны слова, отличающие не только темпом произношения, но и изменяющейся интенсивностью произношения.

При распознавании неизвестного слова придется решить столько задач о длине кратчайшего пути сколько слов в словаре, и в качестве решения выдать слово, которое более всего имеет сходство с распознаваемым сигналом.

Рассмотренный алгоритм динамического программирования (ДП) является простейшим. Иные алгоритмы, допускающие не только “растяжение” эталона, но и его сжатие, описаны в [5,6]. В [2] приведен пример программы, реализующий алгоритм ДП.

Для нелинейного согласования темпа речи также могут применяться скрытые марковские модели и алгоритм Витерби [2], алгоритм градиентного спуска [5].

1. Изучить способы представления речевых сигналов [1], геометрический метод распознавания образов [2], нормализацию темпа речи на основе метода динамического программирования, в том числе скрытое марковское моделирование и алгоритм Витерби [5,2].

2. Разработать структурную схему системы, распознающей изолированные слова из ограниченного словаря. Можно воспользоваться схемой, изображенной на рисунке 1.1.

3. Выбрать и оценить основные системные параметры:

- частоту дискретизации;

- длительность элементарных звуковых единиц, используемых для представления слов;

- максимальную и минимальную продолжительность слов;

- число отсчетов, используемых для представления элементарной звуковой единицы;

- объем памяти, требуемый для хранения эталонов;

- требуемое быстродействие системы (операций/сек).

4. Разработать в системе MATLAB программные модули, в соответствии со структурной схемой системы. Например, для рисунка 1.1.

- модуль предварительной обработки (центрирование и фильтрация речевого сигнала);

- модуль сегментации (определение пауз и выделение границ слов);

- модуль выделения элементов слов (например, вычисление спектра и его сегментация на частотные полосы);

- модуль отбора эталонов слов (просмотр реализаций слов и их спектральных представлений с целью выделения усредненных образцов слов заданного словаря);

- модуль хранения эталонов (в простейшем случае массив, в котором каждая строка представляет эталон);

- модуль сопоставления (например, функционирующий на основе одного из методов ДП).

5. Подготовить с помощью разработанных модулей предварительную базу эталонов слов. Для этого необходимо воспользоваться звуковой картой компьютера и микрофоном. При этом необходимо учесть, что звуковая карта компьютера предлагает фиксированные частоты дискретизации в диапазонах КГц,11 КГц, 22 КГц и 44 КГц. Рекомендуется использовать частоту 8 КГц.

6. Отладить программные модули системы в пакете MATLAB. В ходе экспериментов подобрать наилучшие параметры модулей, обеспечивающих реализацию функций системы. Отобразить на графиках - АЧХ и ФЧХ фильтров, используемых в системе;

- примеры временных реализаций слов для разных дикторов;

- примеры спектральных реализаций (спектрограммы) слов для разных дикторов;

- спектрограммы эталонов слов;

- графики изменения энергии речевого сигнала в ходе произношения слова с учетом пауз;

- графики изменения частоты основного тона в процессе произношения эталонов.

7. Разработать программные модули системы на языке СИ для реализации их на ЦПОС и выполнить их отладку.

8. Провести тестирование системы, реализованной на ЦПОС для различных дикторов. Оценить вероятности ложного распознавания каждого из слов.

Построить графики, указанные в п.6.

9. Сравнить результаты моделирования системы в пакете MATLAB и реализации ее на ЦПОС. Оценить вычислительную сложность процедур и быстродействие системы.

10. Сформулировать заключение и предложения по улучшению работы системы.

1. Бондарев В.Н. Цифровая обработка сигналов: методы и средства/ В.Н.Бондарев, Г.Трестер, В.Н.Чернега.- Харьков: Конус, 2001.-398 с.

2. Бондарев В.Н. Искусственный интеллект/ В.Н.Бондарев, Ф.Г.Аде.- Севастополь: Изд-во СевНТУ, 2002.-616 с.

3. Искусственный интеллект [В 3 кн.] Кн.1. Системы общения и экспертные системы: Справочник / Под ред. Э.В.Попова.- М.: Радио и Связь, 1990.-464с.

4. Компьютеры: cправочное руководство [В 3-х т.] / Под ред. Хелмса; Пер. с англ.-М. Мир. 1986.-403 с.

5. Косарев Ю.А. Естественная форма диалога с ЭВМ/ Ю.А. Косарев.- Л. Машиностроение.-1989.-143с.

6. Методы автоматического распознавания речи [В 2-х кн.] / Под ред. У.Ли.;

Пер. с англ.- М.: Мир 1983.-Кн.1.-328 с. Кн.2.-392 с.

Сжатие речи на основе алгоритмов векторного квантования 1.1. Разработка алгоритма функционирования системы, обеспечивающей сжатие речи с помощью алгоритмов векторного квантования, и программная реализация алгоритма в системе MATLAB.

1.2. Исследование влияния на работоспособность системы аддитивных шумов.

1.3. Разработка и исследование программной реализации системы на основе Разработать систему сжатия речи, обеспечивающую сжатие речи до уровня 2400 бит/с и ниже с помощью алгоритмов векторного квантования. Предусмотреть несколько ступеней сжатия. Обеспечить работу системы в двух режимах: дикторо-зависимом и дикторо-независимом. Реализовать систему в пакете MATLAB и подсистему декодирования в реальном времени с помощью ЦПОС TMS320C7711/5402.

3 Методические рекомендации по проектированию На рисунке 2.1,а изображена обобщенная схема сжатия речевого сигнала с помощью алгоритмов векторного квантования.

Входной вектор si представляет собой вектор признаков речевого сигнала (например, спектральных), Кодер отображает входной вектор si в выходной символ un, n = 1, 2, …, L с помощью кодовой книги. Кодовая книга содержит L векторов Предположим, что канал не имеет шумов, т.е. un = u n.

Векторный квантователь функционирует следующим образом. Входной вектор si сравнивается с каждым вектором из кодовой книги. В результате из кодовой книги выбирается вектор s n, ближайший к вектору si, и в канал передается символ un, представляющий адрес найденного кодового вектора. На приемной стороне с помощью полученного адреса un восстанавливается вектор признаков речевого сигнала s n, на основе которого синтезируется речевой процесс. В такой интерпретации векторное квантование, по сути, является распоr знаванием образов, где вектор si представляет собой входной образ, кодовая книга соответствует базе эталонов (см. рисунок 1.1) [ 2 ].

В качестве меры расстояния между входными векторами и векторами из кодовой книги обычно используется сумма квадратов отклонений si(k) и s n (k ) :

Кодовая книга (база эталонов) создается путем разделения N - мерного пространства признаков на L непрерывающихся ячеек (областей) (рисунок 2.1,а). Каждая ячейка ассоциируется Cn с вектором-эталоном s n. Если входной вектор si принадлежит ячейке Cn, то квантователь назначает этому вектору символ un, который представляет собой адрес вектора-эталона данной ячейки (центроида).

В простейшем случае, если вектор si представляет собой блок отсчетов речевого сигнала, рассмотренная схема квантования является обобщением импульсной кодовой модуляции (ИКМ), и называется векторной ИКМ. В векторной ИКМ (ВИКМ) число битов, приходящихся один отсчет речевого сигнала определяется по формуле ВИКМ имеет преимущество перед различными видами ИКМ [ 1 ], если Процесс проектирования кодовой книги, который связан с обучением, может быть реализован двумя способами. В первом случае кодовая книга разрабатывается на основе алгоритма К-средних [2]. Рекомендуется, чтобы обучающая выборка содержала по 40 примеров векторов признаков для каждого кодового вектора. Вычислительную сложность разработки кодовой книги можно снизить, если определенным образом структурировать кодовую книгу. Действительно, так как в процессе построения кодовой книги выполняется поиск среди L векторов-эталонов, то упорядочение книги может привести к сокращению времени поиска. Для ускорения поиска часто применяют бинарные деревья [2]. Сложность вычислений можно уменьшить, если в кодовой книге отдельно хранить нормализованные векторы si и масштабный коэффициент G (коэффициент усиления).

Во втором случае кодовая книга создается с помощью алгоритма обучения, в соответствии с которым положение центроидов на каждом шаге уточняется по рекуррентной формуле где t – номер шага; - коэффициент обучения, ~ 1 / t.Формула уточняет поr ложение только того центроида, для которого входной вектор si (t ) оказался ближайшим.

Выражение (2.3) соответствует правилу обучения состязательных нейронных сетей, в частности, правилу Кохонена. Подробнее см. в [2].

Существует различные схемы сжатия речи c помощью алгоритмов векторного квантования. Большинство из них основано на схеме “анализ-синтез”.

Применяют два варианта таких схем – без обратной связи и с обратной связью [1]. В основе каждой из схем лежит модель синтеза речи на основе коэффициентов линейного предсказания [1]. В соответствии с этой моделью речь может быть получена путем подачи специальным образом подобранного возбуждающего сигнала на вход линейного фильтра, который моделирует резонансные частоты голосового тракта. Передаточная функция фильтра описывается уравнением где G - коэффициент усиления, ai - коэффициенты линейного предсказания, P порядок предсказателя.

Возможная структурная схема системы низкоскоростного кодирования речи с помощью алгоритмов векторного квантования изображена на рисунке 2.2.

Рисунок 2.2 – Низкоскоростное кодирование речи Процедура кодирования речи сводится к следующему:

- оцифрованный речевой сигнал s[n] нарезается на сегменты длительностью 20 мс (при fg=8 КГц в каждом сегменте будет по 160 выборок);

- для каждого сегмента вычисляются с помощью устройства оценивания (УО) параметры фильтра линейного предсказания и определяется ошибка предсказания d[n], соответствующая функции возбуждения;

- функция возбуждения и параметры фильтра линейного предсказания кодируются с помощью отдельных векторных квантователей и передаются в Процедура декодирования заключается в пропускании восстановленного сигнала возбуждения через синтезирующий фильтр (2.4), параметры которого переданы одновременно с функцией возбуждения.

Приведенное описание процессов кодирования и декодирования речи не является исчерпывающим, оно объясняет лишь принцип действия кодера.

Практические схемы намного сложнее, и это связано в основном со следующими двумя моментами.

Во-первых, на рисунке 2.2 изображена схема без обратной связи. Лучшего качества синтезируемой речи можно добиться в схемах с обратной связью [1].

Однако такие схемы сложнее.

Во-вторых, описанная выше схема, использует кратковременное предсказание и не обеспечивает в достаточной степени устранения избыточной речи.

Поэтому в дополнение к кратковременному предсказанию используется еще и долговременное предсказание [1]. Выходной сигнал фильтра кратковременного предсказания используется для оценивания параметров фильтра долговременного предсказания – задержки и коэффициента предсказания a:

При оценке качества кодирования и сопоставлении различных кодеров оцениваются разборчивость речи и качество синтеза речи (качество звучания).

Для оценки разборчивости речи используется метод ДРТ (диагностический рифмованный текст). В этом методе подбираются пары близких по звучанию слов, отличающиеся отдельными согласными (“кол-гол-пол”), которые многократно произносятся рядом дикторов, и по результатам испытаний оценивается доля искажений [3,4].

Для оценки качества звучания используется критерий ДАП (диагностическая мера приемлемости) [4]. Испытания заключаются в чтении несколькими дикторами, мужчинами и женщинами, ряда специально подобранных фраз, которые прослушиваются на выходе тракта связи рядом экспертов-слушателей, выставляющих свои оценки по 5-балльной шкале. Результатом является средняя оценка мнений (MOS).

Обратим внимание на следующий факт. Если кодовая книга создается на обучающих данных, принадлежащих только одному диктору, тоне следует ожидать, что она будет обеспечивать хорошее качество звучания для другого диктора. Соответственно, кодовая книга, полученная в лабораторных условиях, не обеспечит того же качества звучания при записи речи в шумовой обстановке, например, в салоне автомобиля. Для построения дикторо-независимой системы необходимо проектировать кодовую книгу на речевых сигналах различных дикторов.

1. Изучить способы представления речевых сигналов, обратив особое внимание на линейное предсказание речи [1,3]. Изучить геометрический метод распознавания образов, алгоритм К-средних и алгоритмы обучения состязательных нейронных сетей [2].

2. Разработать структурную схему системы сжатия речи, обеспечивающей ее передачу со скоростью 2400 бит/с и ниже. Можно воспользоваться схемой, изображенной на рисунке 2.2.

3. Выбрать и рассчитать необходимые системные параметры:

- частоту дискретизации;

- длительность речевых сегментов;

- порядок предсказывающего фильтра;

- объем кодовой книги;

- разрядность основных параметров;

- быстродействие системы.

4. Разработать в системе MATLAB программные модули, в соответствии со структурной схемой системы. Например, для рисунка 2.2:

- предсказывающий фильтр и устройство оценивания его параметров;

- подсистему обучения и формирования кодовых книг на основе состязательной нейронной сети (рекомендуется использовать Neural - Toolbox); кодирования;

подсистему - подсистему декодирования;

- синтезирующий фильтр.

5. Подготовить с помощью разработанных модулей кодовые книги. Для этого необходимо формировать текстовые файлы, при чтении которых будут многократно 4050 раз встречаться все фонемы русского языка. Предоставить возможность различным дикторам озвучить эти файлы и ввести их в компьютер. Обучить нейронную сеть по методике, описанной в [2], сформировать необходимые кодовые книги. Данная процедура много итерационная и может потребовать значительного машинного времени.

6. Отладить программные модули системы в пакете MATLAB. В ходе экспериментов подобрать наилучшие параметры модулей, обеспечивающих реализацию системы. Отобразить на графиках и рисунках:

- АЧХ синтезирующего фильтра и положение его полюсов;

- примеры реализации функции возбуждения;

- образцы кодовых слов функции возбуждения;

- распределение частот встречаемости кодовых векторов в обучающих данных;

- образцы входных и выходных речевых сигналов, их спектры и спектрограммы.

7. Разработать программные модули системы на языке СИ для реализации их на ЦПОС и выполнить их отладку.

8. Провести тестирование системы, реализованной на ЦПОС. Оценить отношение сигнал-шум, оценить разборчивость и качество звучания. Построить графики, указанные в п.6.

9. Сравнить результаты моделирования системы в пакете MATLAB и реализации ее на ЦПОС. Оценить вычислительную сложность процедур и быстродействие системы.

10. Сформулировать заключение и предложения по улучшению работы системы.

1. Бондарев В.Н. Цифровая обработка сигналов: методы и средства/ В.Н.Бондарев, Г.Трестер, В.Н.Чернега.- Харьков: изд-во Конус, 2001.- 2. Бондарев В.Н. Искусственный интеллект/ В.Н.Бондарев, Ф.Г.Аде.- Севастополь: Изд-во СевНТУ, 2002.-616 с.

3. Рабинер Л.Р Цифровая обработка речевых сигналов/ Л.Р.Рабинер, Р.В.Шафер.- М.: Радио и Связь. 1981.-495 с.

4. Ратынский М.В. Основы сотовой связи/ Ратынский М.В.; Под ред.

Д.Б.Зимина.- М.: Радио и Связь, 1998.- 248 с.

5. Makhoul J. Vector Qnantization // Speech Coding Proceedings of the IEEE, 1985.- Vol. 73. - N 11.- P.1551-1588.

Разработка алгоритма и исследование функционирования системы верификации диктора по голосу, реализованной с помощью цифрового процессора обработки сигналов.

Разработать систему верификации диктора в реальном времени на цифровом сигнальном процессоре. Система должна предоставлять санкционированный доступ и запрещать несанкционированный доступ. Пользователь (диктор) должен регистрироваться в системе с помощью клавиатуры, вводя номер персональной идентификации. Акустическая модель диктора строится путем сбора образцов особых слов, произносимых пользователем. Система может потребовать нескольких произношений перед тем, как принять решение о доступе или отклонении пользователя. Последовательность контрольных слов не должна быть пользователю известна заранее. Регистрация нового пользователя должна быть удобной. Должно требоваться не больше, чем 50 произношений в течение сеанса регистрации. Сеанс доступа должен требовать не больше, чем 10 произношений, от 2-х до 4-х в среднем.

Система: Ваш персональный PID – 123456.

Система: Введите Ваш PID Пользователь: Система: Ваш номер был назначен.

Система: Скажите “кот”.

Пользователь: “Кот”.

Система: Скажите “зебра”.

Пользователь: “Зебра”.

Система: Введите Ваш PID Пользователь: PID Система: Начало сеанса доступа.

Система: Скажите “четыре”.

Пользователь: “Четыре”.

Система: Скажите “кот”.

Пользователь: “Кот”.

Система: Ваша идентификация выполнена.

3. Методические рекомендации по проектированию Распознаванием диктора называется процесс, в ходе которого диктор опознается благодаря характерным свойствам его речи. Существует два вида задач опознавания диктора по голосу – идентификация и верификация диктора.

Идентификация диктора по голосу представляет собой процесс, в ходе которого устанавливается ответ на вопрос, кому из зарегистрированных в системе дикторов принадлежит предъявленный речевой сигнал. Верификация диктора – процесс, связанный с подтверждением или отклонением принадлежности речевого сигнала диктору, который идентифицировал себя.

Методы распознавания дикторов по голосу могут быть также разделены на две группы – зависимые от текста и независимые от текста. В первом случае диктор при взаимодействии с системой произносит фразы, которые ранее использовались в ходе регистрации диктора в системе. Во втором случае диктор произносит произвольные фразы.

Методы автоматического опознавания диктора, зависимые от текста, обычно используют операцию сопоставления с образцом (эталоном). Так как образцы речевых сигналов, запомненные в системе, и конкретная акустическая реализация фразы, произносимой диктором при взаимодействии с системой, отличается темпом произнесения, то осуществляется согласование временных масштабов двух фраз, а затем вычисляется некоторая мера их сходства. На основе данной меры принимается решение о принадлежности введенной акустической реализации фразы конкретному диктору, или нет.

Методы обработки речевых сигналов, используемые в задаче опознавания диктора по голосу, аналогичны методам, применяемым в системах распознавания речи (см. тему 1). Отличие состоит в том, что в данном случае требуется в ходе обработки выделять такие признаки речи или их совокупность, которые являются уникальными для данного диктора. Обобщенная схема системы автоматической верификации диктора изображена на рисунке 3.1.

Рисунок 3.1 – Обобщенная схема системы верификации диктора Схема функционирует следующим образом. Диктор, предварительно зарегистрированный в системе, вводит в систему свой идентификационный номер (например, с помощью пластиковой карты, клавиатуры). Затем он произносит в микрофон одну из фраз, которую ему предложила система. Фраза может представляться пользователю либо на экране монитора, либо озвучиваться соответствующими средствами. На этапе преобразования речевого сигнала осуществляются элементарные операции по улучшению введенного речевого сигнала – центрирование, подавление шумов, В ходе выделения из речевого сигнала признаков, используемых для опознавания диктора, каждый сегмент речевого сигнала представляется в виде вектора многомерного пространства признаков. Заr тем последовательность векторов-признаков x сравнивается с моделью диктора на основе операции сопоставления с образцом. В результате формируется значение некоторой меры сходства z. Блок принятия решений сравнивает значение меры с пороговым значением и формирует одно из двух решений – подтвердить соответствие диктора и его идентификатора или отклонить.

Во многих системах автоматической верификации дикторов (АВД) в качестве признаков речевых сигналов используют коэффициенты линейного предсказания (КЛП), коэффициенты отражения, пары частот линейного спектра, кепстр, энергию сигнала и частоту основного тона [2]. Сопоставление может выполняться с помощью методов динамического программирования (ДП, см. задание 1), скрытых Марковских моделей (СММ), искусственных нейронных сетей и векторного квантования [3]. При использовании ДП модель диктора представляет собой некоторый шаблон, в случае СММ модель диктора является статистической, а при векторном квантовании она задается в виде кодовой книги.

На результаты верификации оказывают влияние многие факторы. Перечислим основные из них:

- ошибочное прочтение диктором контрольной фразы;

- эмоциональное состояние диктора (например, стресс);

- положение микрофона;

- окружающие акустические шумы;

- различие в каналах ввода речи при регистрации диктора и при его опознавании;

- болезнь диктора (простуда);

- изменение возраста диктора.

Выделяют два типа ошибок, возникающих в системах АВД, - ложное подтверждение (тип 1 или ЛП) и ложное отклонение (тип 2 или ЛО). Эффективность систем АВД может оцениваться с помощью вероятности правильного и ложного подтверждения. Часто АВД характеризуют ошибкой равного уровня (ОРУ). Такая ошибка соответствует такому значению порога, при котором уровень ложного подтверждения равен уровню ложного отклонения.

При выборе признаков, используемых для опознавания дикторов необходимо руководствоваться следующим:

- они должны быть различными у разных дикторов и примерно одинаковыми у одного и того же диктора;

- должны легко измеряться и вычисляться;

- быть стабильными во времени;

- быть устойчивыми по отношению к изменяющимся свойствам каналов ввода речи;

- быть сложными для имитации другими людьми.

В общем спектральные признаки оказываются более эффективными, чем просодические (интонация, ударение, период основного тона, темп). Наиболее полезными признаками являются формантные частоты: F2 для назальных звуков, F2-F3-F4 для гласных звуков и F0 для любых звуков [3]. Поэтому в системах АВД наиболее часто используют спектральные признаки.

Общим критерием эффективности того или иного признака является Fотношение, которое сравнивает дисперсию признака всех дикторов с дисперсией данного признака у конкретного диктора Большие значения F говорят о большей разделяющей способности признака. На основе анализа F–отношения установлено, что весьма полезным в ходе решения задачи АВД могут оказаться кепстральные коэффициенты. При этом уменьшают значимость коэффициентов кепстра с малыми и большими значениями индексов. Кепстральные коэффициенты с малыми значениями индексов оказываются чувствительными к свойствам канала ввода речи, а кепстральные коэффициенты с большими индексами характеризуются небольшими значениями F–отношения. Для выделения необходимых кепстральных коэффициентов используют схему гомоморфной обработки речи [2], в которой на заключительном этапе используется оконная функция где h = L/2, k = 1, 2, … L и w(k) = 0 для всех других k. Обычно L = 20. Дополнительно, для исключения влияния свойств канала ввода речи, логарифм спектра речевого сигнала подвергают фильтрации с целью удаления медленноменяющейся аддитивной составляющей. Такая фильтрация может быть выполнена и непосредственно в области кепстральных коэффициентов с помощью фильтра с передаточной функцией:

Принятие решений в системах АВД основано на вычислении различных мер (расстояний), определяющих степень сходства между векторами, соответствующими вверенному и образцовому высказываниям. Наиболее часто используют расстояние Махаланобиса [3]:

где x - входной вектор признаков;

mi - i-ый эталонный вектор (вектор признаков усредненный по всем эталонным произнесениям i–го диктора);

C - ковариационная матрица.

При решении задачи идентификации диктора это правило соотносит ввеr денный речевой сигнал с тем диктором i, для которого di (x ) имеет минимальное значение. Обычно используется расстояние Евклида (С = I ). Однако использование расстояния Евклида не позволяет получать хорошие результаты, если используемые признаки сильно коррелированы. Расстояние Махалонобиса позволяет корректно решать задачу, если вектор признаков характеризуется унимодальной функцией плотности вероятности. В иных случаях рекомендуется использовать расстояние Бхаттачария [7].

В задаче верификации диктора для окончательного решения необходимо сравнить вычисленное расстояние с заранее заданным порогом. Теоретические основы определения величины порога изложены в [1]. Однако рекомендуется оценить значения порога экспериментальным путем. Если важным является минимизировать ошибки первого типа (т.е. пропуск “чужого” диктора), то значение порога должно быть меньше минимального расстояния между эталонами mi и m j. Если требуется свести к минимуму ошибки второго типа (т.е. отклонить “своего” диктора), то значение порога выбирается в соответствии с дисперсией эталонного вектора mi ( правило 3 ).

1. Изучить способы представления и обработки речевых сигналов [2], изучить основные положения теории распознавания образов [3], изучить метод динамического программирования применительно к проблеме согласования типа речи [5].

2. Изучить основные подходы, используемые для построения систем автоматического опознавания дикторов по голосу [1,6,7].

3. Разработать структурную схему системы верификации диктора. Можно воспользоваться схемой, изображенной на рисунке 3.1.

4. Рассчитать и выбрать основные системные параметры системы АВД:

- частоту дискретизации;

- длительность речевых сегментов;

- параметры частотных характеристик используемых фильтров;

- выбрать систему признакового описания речевого сигнала и определить размерность векторов-признаков;

- определить размер словаря системы и максимальные длительности произнесения слов;

- оценить вычислительную сложность и требуемое быстродействие.

5. Разработать систему контрольных фраз и принцип регистрации пользователя.

6. Разработать в системе MATLAB программные модули системы:

- модуль предобработки;

- модуль выделения признаков речевого сигнала;

- модуль сопоставления;

- модуль принятия решений;

- модуль регистрации пользователя и формирования моделей.

7. Выполнить исследование разработанной системы:

- отобразить на графиках примеры входных речевых сигналов;

- отобразить на графиках примеры эталонных векторов признаков различных дикторов;

- представить в виде таблицы расстояние между эталонными векторами признаков (для 15 дикторов);

- определить для каждого диктора процент ошибок первого и второго типа при трех различных значениях порога (минимальном, среднем и максимальном);

- исследовать влияние шума на качество верификации диктора, добавив к входному сигналу аддитивно белый шум.

8. Разработать алгоритм и программные модули на языке СИ для реализации системы АВД на цифровом сигнальном процессоре TMS320C6711/5402.

9. Провести исследование системы, работающей в реальном времени, определив процент ошибок первого и второго типа в условиях отсутствия и наличия акустического шума.

10. Провести сравнение результатов моделирования на MATLAB и реализации системы цифровым сигнальным процессором.

11. Сформулировать выводы.

1. Атал Б.С. Автоматическое опознавание дикторов по голосам// ТИИЭР.т. 64, № 4.- с. 48-65.

2. Бондарев В.Н. Цифровая обработка сигналов: методы и средства/ В.Н.Бондарев, Г.Трестер, В.Н.Чернега.- Харьков: Конус, 2001.-398 с.

3. Бондарев В.Н. Искусственный интеллект/ В.Н.Бондарев, Ф.Г.Аде.Севастополь: Изд-во СевНТУ, 2002.-616с.

4. Искусственный интеллект [В 3 кн.] Кн.1. Системы общения и экспертные системы: Справочник/ Под ред. Э.В.Попова.- М.: Радио и Связь, 1990.- 5. Косарев Ю.А. Естественная форма диалога с ЭВМ/ Ю.А. Косарев.- Л.

Машиностроение.-1989.-143с.

6. Розенберг А.Е. Автоматическая верификация диктора// ТИИЭР, № 4, 1979.- С. 66-79.

Разработка алгоритма функционирования системы, обеспечивающей синтез речи по тексту, и программная реализация алгоритма в системе MATLAB.

Исследование качества синтезируемой речи.

Разработка и исследование программной реализации системы на основе ЦПОС.

Разработать систему синтеза речи по тексту, представленному в виде последовательности знаков (фонологического текста), соответствующих фонемам русского языка с указанием продолжительности их звучания и частоты основного тона. Обеспечить удовлетворительную работу системы на подмножестве языка, ограниченного словарем в 1000 слов. Преобразование исходного текста в соответствующее фонемное представление выполняется вручную. Выполнить имитацию системы в пакете MATLAB, а саму систему, функционирующую в реальном времени, реализовать с помощью ЦПОС TMS320C7711/5402.

3. Методические рекомендации по проектированию Речевое сообщение формируется из отдельных элементов речи естественного или искусственного происхождения. Минимальной смысловой единицей речи является фонема. Одна и та же фонема в речи реализуется в виде различных звуков. Последовательности различных звуков, соответствующие одной и той же фонеме, называются аллофонами.

В ходе синтеза речевых сообщений используют и иные элементы, формирующую структуру речевого сигнала. Важнейшими из них являются интонация и ударение, которые определяют просодию речи. На уровне акустического сигнала интонация и ударение представляются просодическими характеристиками, к которым относятся [3]: мелодика – изменение частоты основного тона; ритмика – характеризуется длительностью звуков и пауз; энергетика – характеризуется значением интенсивности звука. В процессе синтеза речи орфографический текст сначала преобразуется в последовательность фонем с указанием значений, необходимых просодических характеристик. С этой целью текст предварительно разбивается по определенным правилам на интонационно-смысловые группы, важнейшей из которых является акцентная группа. Акцентная группа представляет собой одно или несколько слов объединенных общим просодическим контуром (мелодикой, ритмикой, энергетикой), привязанным к единому групповому ударению. Положение ударения определяется в большей степенью длительностью ударного гласного и в меньшей степени его интенсивностью. Для уверенного распознавания положения ударения необходимо, чтобы длительность ударного гласного превышала длительность безударного более чем в 1,5 раза [3].

Рисунок 4.1 – Обобщенная схема преобразования текста в речь На рисунке 4.1 изображена обобщенная схема системы, осуществляющей преобразование текста в речь. В системе предусматривается три этапа обработки. На первом этапе осуществляется морфологический и синтаксический анализ текста с целью получения последовательности фонем и разметки интонационно-смысловых групп предложений. В результате формируется внутреннее фонологическое представления текста. На втором этапе выполняется отбор звуковых элементов (или их параметров), соответствующих фонемному представлению текста, и расчет просодических характеристик: длительностей и интенсивностей звуков, частоты основного тона. Синтез речевого сигнала выполняется на третьем этапе. При этом звуки речи формируются либо из предварительно запомненных звуковых элементов естественного происхождения, либо восстанавливаются на основе параметрической модели речеобразования человека [1].

В системах синтеза речи по тексту применяются три основных метода синтеза речевых сигналов: формантный синтез, синтез на основе коэффициентов линейного предсказания (ЛПК-синтез) и конкатенативный синтез.

Формантный синтез и ЛПК-синтез опираются на модель речеобразования человека. В этом случае образование звуков речи представляется как результат прохождения сигнала источника возбуждения через модель речевого тракта. При формировании гласных звуков источник возбуждения формирует импульсы, частота следования которых (частота основного тона Fo) непрерывно изменяется в соответствии с мелодикой речи. Модель речевого тракта реализуется в виде цифрового фильтра с управляемыми параметрами. Возбуждение цифрового фильтра импульсным источником приводит к формированию гласных звуков. Спектр гласных звуков характеризуется рядом максимумов, соответствующих резонансным свойствам голосового тракта. Частоты максимумов называют формантными частотами. Глухие звуки формируются при прохождении через управляемый цифровой фильтр сигнала источника шума. Параметры фильтра могут определяться либо формантными частотами, либо ЛПКкоэффициентами. В первом случае получают формантный синтезатор речи, а во втором – ЛПК-синтезатор речи.

Рассмотрим структурную схему формантного синтезатора [3] (рисунок 4.2). Здесь цифровые фильтры ЦФ1 и ЦФ2 реализуются путем последовательного соединения звеньев второго порядка, моделирующих форманты.

Так как ряд звуков образуется при смешанном характере возбуждения голосового тракта, когда действуют тон и шум, то в рассматриваемой модели цифровой фильтр может возбуждаться сигналами и источника импульсов, и источника шума. Управляющими параметрами модели является:

Арн – амплитуда возбуждения ротового и носового каналов голосового Аа – амплитуда аспиративного возбуждения ротового канала (задается при формировании небных согласных).

Аф – амплитуда возбуждения фрикативных формант;

Fо – частота основного тона;

Fi,Bi – соответственно частота и ширина полосы i-ой форманты, i=1,2,3,4.

Рисунок 4.2 – Структурная схема формантного синтезатора При синтезе гласных носовых (‘н’,’м’ и др.) и аспиративных звуков (‘к’,’г’ и др.) задаются значения четырех ротовых или двух носовых формант (F1-F4, B1-B4). При синтезе фрикативных звуков (‘с’,’ш’ и пр.) фильтр ЦФ2 настраивается на частоты первой и второй фрикативных формант (F3-F4, B3-B4).

Диапазоны значений указанных параметров приведены в [3,4]. Формантные синтезаторы при надлежащем управлении параметрами позволяют получать синтезированную речь высокого качества. Однако их применение требует проведения большой подготовительной работы, связанной с определением параметров формант и их взаимосвязи с фонемами.

В ЛПК-синтезаторах речевой тракт моделируется рекурсивным цифровым фильтром с передаточной функцией где ai – коэффициенты, определенные по методу линейного предсказания [1].

Структурная схема ЛПК-синтезатора, подходящего для реализации задания на курсовое проектирование, приведена на рисунке 2.2.

ЛПК-анализ был изначально разработан с целью сжатия и восстановления речевых сигналов. Однако хорошее обоснование ЛПК-модели речеобразования позволили применить ее в задаче синтеза речи по тексту. При этом имеется возможность согласования звуков по энергии, по темпу, по частоте основного тона. Для того чтобы адаптировать схему декодера, изображенную на рисунке 2.2, к решению задачи синтеза речи по фонологическому тексту, необходимо для каждой фонемы (аллофона) определить коэффициенты ai и обеспечить надлежащее формирование функции возбуждения. Определить типовые коэффициенты ai для каждой фонемы речи можно с помощью процесса, аналогичного процессу создания кодовых книг при сжатии речи (см. задание 2). В частности, с помощью алгоритма К-средних или состязательных нейронных сетей Кохонена [2]. Функция возбуждения формируется в соответствии с подходом, принятым при построении формантных синтезаторов (рисунок 4.2) [3].

Звуки, формируемые с помощью носового канала голосового тракта, плохо синтезируются фильтром вида (4.1), имеющим только полосы. Кроме этого, расположение пиков в спектре синтезируемой речи оказывается весьма чувствительным к гармонической структуре возбуждающих импульсов (качество синтезируемой речи сильно зависит от спектральной “насыщенности” возбуждающих импульсов). Это приводит к ухудшению качества синтезируемой речи.

Лучшие результаты в отношении разборчивости и натуральности звучания речи удается получить с помощью конкатенативного метода синтеза (от англ. concatenate – сцеплять, сглаживать). Наибольшее распространение получили системы дифонного синтеза. Дифоном называют участок речи, расположенный между центрами двух соседних фонем. Дифон содержит переходные элементы речи от одной фонемы к другой, что обеспечивает при синтезе речи ее высокую натуральность. Кроме этого, благодаря тому, что границы дифонов соответствуют серединам фонем, где спектр наиболее стабилен, дифоны легко выделяются. Слова речи при этом синтезируются из предварительно запомненных дифонов. Например, речевой сигнал, соответствующий слову “ива”, образуется из дифонов [ /и], [ив], [ва], [а/], которые могли быть получены при сегментации естественной речи при произнесении слов “ил”([/и]), “пиво”([ив]), “квас”([ва]), “изба”([а/]). Здесь знак “/” обозначает паузу речи. При дифонном синтезе требуется запоминание большого числа дифонов (до нескольких тысяч).

В ходе конкатенативного синтеза возникают две основные проблемы. Во первых, формирование речевого сигнала из сегментов, соответствующих дифонам, требует, устранения разрывов, возникающих на границах сегментов. Вовторых, необходимо осуществлять такое независимое управление длительностью дифонов и частотой основного тона, чтобы сохранялись спектральные портреты формант.

Если разрывы на границах сегментов устраняются путем обычного сглаживания, то управление длительностью дифонов и частотой основного тона требует специального рассмотрения [2].

Оценка натуральности звучания и разборчивости синтезированной речи выполняется на основе экспертных оценок. В этом случае эксперты-слушатели, выставляют свои оценки по 5-балльной шкале. Результатом является средняя оценка мнений (MOS).

1. Изучить способы представления речевых сигналов, обратив особое внимание на линейное предсказание речи [1,4]. Изучить геометрический метод распознавания образов, алгоритм К-средних и алгоритмы обучения состязательных нейронных сетей [2].

2. Разработать структурную схему системы синтеза речи, обеспечивающей ее синтез на основе фонологического представления. За основу можно взять схему декодера, изображенную на рисунке 2.2, адаптировав ее в соответствии с рисунками 4.1. и 4.2.

3. Выбрать и рассчитать необходимые системные параметры:

- частоту дискретизации;

- длительность речевых сегментов, используемых на этапе определения формантных параметров или коэффициентов линейного предсказания;

- порядок (структуру) синтезирующего фильтра;

- количество квазифонем (аллофонов);

- разрядность основных параметров;

- быстродействие системы.

4. Разработать в системе MATLAB программные модули, в соответствии со структурной схемой системы. Например, для рисунка 2.2:

- предсказывающий фильтр и устройство оценивания его параметров;

- подсистему определения параметров квазифонем на основе состязательной нейронной сети (рекомендуется использовать Neural Toolbox);

- генератор функции возбуждения;

- синтезирующий фильтр.

- подсистему чтения фонологического текста и управления генератором и синтезирующим фильтром.

5. Подготовить с помощью разработанных модулей базу звуковых элементов (формантных параметров квазифонем или коэффициентов линейного предсказания). Для этого необходимо сформировать текстовые файлы, при чтении которых будут многократно 4050 раз встречаться все фонемы русского языка. Предоставить возможность одному диктору озвучить эти файлы и ввести их в компьютер. Обучить состязательную нейронную сеть по методике, описанной в [2], и сформировать необходимую базу звуковых элементов. Определить типовые длительности звуковых элементов, для вокализованных звуковых элементов определить частоту основного тона. Данные процедуры многоитерационные и могут потребовать значительного машинного времени.

6. Подготовить текст, на основе которого будет выполняться синтез речи.

Преобразовать данный текст (объем не менее 1000 слов) в фонологическую форму, выполнить необходимую его разметку. Примеры фонологического представления текста приведены в [2] 7. Выполнить имитацию системы в пакете MATLAB. В ходе моделирования подобрать наилучшие параметры модулей, обеспечивающих реализацию системы. Отобразить на графиках и рисунках:

- АЧХ синтезирующего фильтра (для всех 42 фонем русского языка);

- примеры реализации функций возбуждения для разных типов звуков;

- образцы реального и синтезированного речевого сигнала (для фиксированного диктора), их спектры и спектрограммы.

8. Разработать программные модули системы на языке СИ для реализации их на ЦПОС и выполнить их отладку.

9. Провести тестирование системы, реализованной на ЦПОС. Оценить натуральность речи и ее разборчивость.

10. Сравнить результаты моделирования системы в пакете MATLAB и реализации ее на ЦПОС. Оценить вычислительную сложность процедур и быстродействие системы.

11. Сформулировать заключение и предложения по улучшению работы системы.

1. Бондарев В.Н. Цифровая обработка сигналов: методы и средства/ В.Н.Бондарев, Г.Трестер, В.Н.Чернега.- Х.: Конус, 2001.-398 с.

2. Бондарев В.Н. Искусственный интеллект/ В.Н.Бондарев, Ф.Г.Аде.- Севастополь: Изд-во СевНТУ, 2002.-616 с.

3. Искусственный интеллект [В 3 кн.] Кн.1. Системы общения и экспертные системы: Справочник/ Под ред. Э.В.Попова.- М.: Радио и Связь, 1990.- 4. Кейтер Дж. Компьютеры синтезаторы речи/ Дж. Кейтер; Под ред. В.А.

Усика – М.: Мир,1985.—237c.

Разработка алгоритма функционирования системы, осуществляющей подавление акустического эхо в процессе телеконференций.

Разработка и исследование программной реализации системы на ЦПОС.

Разработать систему подавления акустического эхо для организации телеконференций. Считать, что передаваемые сигналы являются речевыми. Расстояние между микрофоном и громкоговорителем 1.0 – 1.5 м.

Исследовать модель системы средствами пакета MATLAB, реализовать систему, работающую в реальном времени, на ЦПОС TMS 320C6711/5402.

3. Методические рекомендации по проектированию Эхоподавители впервые были предложены в 1967 г. Сондхи [5] и предназначались для подавления “электрического” эхо, возникающего в процессе передач телефонных сообщений на большие расстояния. В 1970 г. лабораторией AT&T Bell была разработана первая БИС, осуществляющая эхоподавление, основанная на технологии цифровой обработки сигналов. В настоящее время вопросы эхоподавления регламентируются стандартами G.165 и G.167 МКТТ.

Принципы эхоподавления, разработанные для систем телефонии, стали широко применяться и при решении других задач, в частности, для подавления акустического эхо, возникающего в ходе телеконференций.

Структурная схема системы, осуществляющей подавление акустического эхо, изображена на рисунке 5.1.

Рисунок 5.1 – Структурная схема системы подавления акустического эхо Схема содержит следующие блоки: DC - дифференциальная система; D громкоговоритель (динамик); M - микрофон; LMS - блок, осуществляющий вычисление коэффициентов адаптивного фильтра на основе алгоритма минимизации среднеквадратической ошибки (LMS – least mean square); адаптивный фильтр, характеризуемый передаточной функцией W(z).

Опишем принцип работы схемы. Речевой или аудио сигнал x(n) поступает из канала связи на дифференциальную схему DC, осуществляющую отделение входного сигнала x(n) от выходного сигнала e(n). Входной сигнал x(n) воспроизводится громкоговорителем D и озвучивает помещение. Речь диктора с наложенным на нее акустическим сигналом (пропорциональным x(n)), создаваемым громкоговорителем, воспринимается микрофоном M и преобразуется в электрический сигнал d(n). Если сигнал d(n) передать непосредственно в канал связи, то на стороне источника сигнала x(n) будет прослушиваться эхо. Чтобы устранить эхо, необходимо из сигнала d(n) вычесть сигнал, создаваемый на входе микрофона громкоговорителя. Для этого требуется восстановить передаточную функцию акустического канала H(z) между громкоговорителем и микрофоном.

Поведение указанного акустического канала моделируется с помощью адаптивного фильтра, уравнение функционирования которого можно записать в виде где w(n) = [ w0 (n), w1 (n),..., wL 1 (n)]T - вектор весовых коэффициентов адаптивного фильтра; x (n) = [ x(n), x(n 1),..., x(n L + 1)]T - входной сигнал фильтра; L - порядок адаптивного фильтра. Выходной сигнал адаптивного фильтра y(n) должен соответствовать сигналу, создаваемому громкоговорителем на входе микрофона. В этом случае, вычитая из сигнала d(n) сигнал y(n), можно исключить прохождение “следов” сигнала x(n) в канал, и тем самым, устранить эхо. Так как свойства акустического канала, характеризуемого передаточной функцией H(z), меняются в зависимости от уровня акустических шумов в помещении, то коэффициенты фильтра подбираются так, чтобы обеспечить минимум среднеквадратического значения сигнала e(n) Коэффициенты фильтра удобно вычислять на основе рекуррентного соотношения где µ – коэффициент, регулирующий скорость сходимости и устойчивость алгоритма адаптации. Теоретические основы построения адаптивных фильтров и практические примеры их применения изложены в [1,3]. Адаптация фильтра W(z), по сути, представляет собой процесс обучения. Вопросы построения адаптивных фильтров тесно связаны с построением обучающихся систем. Алгоритмы рекуррентного обучения, соответствующие (5.1), рассматриваются в [2,4].

Следует отметить несколько практических моментов, связанных с реализацией схемы, изображенной на рисунке 5.1. Во-первых, если диктор произносит речь близко к микрофону, то алгоритм LMS отключают. С этой целью в систему вводят детекторы такой речи. Во-вторых, если дифференциальная система будет неидеальной, то сигнал e(n) может смешиваться с сигналом x(n). Это приводит к образованию “электрического” эхо. Соответственно, оно должно также подавляться. Кроме этого, в помещении может возникнуть реверберация (многократное отражение акустического сигнала от стен). Это требует включение в состав эхоподавителя адаптивного фильтра высокого порядка. Указанные элементы порождают множество вариантов реализации эхоподавителя.

Рассмотренная система эхоподавления является монофонической. Большой интерес представляют стереофонические системы (рисунок 5.2).

Рисунок 5.2 – Стереофоническая система подавления акустического эхо Стереофонические системы телеконференций обеспечивают большую реалистичность звучания. Они позволяют слушателям воспринимать пространственную информацию. В стереофонических системах, имеющих два канала, входные сигналы x1 (n) и x2 (n), а также коэффициенты w1 (n) и w2 (n) фильтра комбинируются, формируя векторы x (n) = [ x1T (n), x2 (n)] и w(n) = [ w1 (n), w2 (n)]. Следовательно, стереофоническая система представляет собой линейную комбинацию двух монофонических систем. Однако при создании стереофонических систем возникают специфические проблемы, обусловленные корреляционными связями между каналами, перемещение диктора и др. Это снижает скорость сходимости алгоритма LMS.

Часто для повышения скорости сходимости применяют алгоритмы полосовой адаптивной фильтрации. В этом случае сигналы анализируются в небольших частотных полосах, и в каждой частотной полосе осуществляется независимое подавление эхо. Это позволяет не только повысить скорость сходимости алгоритмов адаптации, но также повышает и их вычислительную эффективность.

В настоящее время системы подавления акустического эхо являются коммерческими продуктами и играют важную роль при организации телеконференций. Реализация систем осуществляется на основе цифровых сигнальных процессоров.

1. Изучить способы подавления эхо сигналов, обратив особое внимание на алгоритм настройки адаптивных фильтров [1,2,3,4].

2. Разработать структурную схему системы подавления акустического эхо. Можно воспользоваться схемой, изображенной на рисунке 5.1 или 5.2.

3. Выбрать и рассчитать необходимые системные параметры:

- частоту дискретизации;

- порядок адаптивного фильтра;

- разрядность коэффициентов фильтра;

- быстродействие системы.

4. Разработать в системе MATLAB (Simulink) программные модули в соответствии со структурной схемой системы. Например, для рисунка 5.1:

- адаптивный фильтр;

- блок адаптации коэффициентов фильтра;

- дифференциальную систему (с учетом ее не идеальности);

- модель акустического канала;

- модель сигнала x(n), а также модель речевого сигнала, подаваемого на 5. Отладить программные модули в пакете MATLAB. В ходе экспериментов подобрать наилучшие параметры модулей, обеспечивающих реализацию системы. Отобразить на графиках и рисунках:

- примеры сигнала x(n) и сигнала, подаваемого на микрофон;

- АЧХ, модели акустического канала;

- импульсную характеристику адаптивного фильтра, после завершения процесса адаптации;

- графики схождения параметров адаптивного фильтра;

- АЧХ адаптивного фильтра после завершения процесса адаптации;

- график сигнала ошибки e(n) до начала процесса адаптации и после.

Рекомендуется работу системы проверить как на гармонических сигналах, так и на реальных речевых сигналах. Также перед началом моделирования рекомендуется изучить пример системы адаптивного подавления шума, имеющий в среде MATLAB (DSP block set).

6. Разработать программные модули на языке СИ для реализации их на ЦПОС и выполнить их отладку.

7. Провести тестирование системы, реализованной на ЦПОС. Оценить качество работы системы. Построить графики указанные в п. 5.

8. Сравнить результаты моделирования системы в пакете MATLAB и реализацию ее на ЦПОС. Оценить вычислительную сложность процедур и быстродействие системы.

9. Сформулировать заключение и предложения по улучшению работы системы.

1. Адаптивные фильтры: Пер. с англ./ Под ред. К.Ф.Н.Коуэна и П.М.Гранта.- М.: Мир, 1988.- 392 с.

2. Бондарев В.Н. Искусственный интеллект/ В.Н.Бондарев.- Севастополь:

СевНТУ, 2002.-616 с.

3. Уидроу Б. Адаптивная обработка сигналов: Пер. с англ./ Б.Уидроу, С.

Стирнз.- М.: Радио и Связь, 1989.- 440 с.

4. Цыпкин Я.З. Основы теории обучающихся систем/ Цыпкин Я.З.- М.: Наука, 1973.- 252 с.

5. Sondhi M. An adaptive echo canceller// Bell. Tech. J., 1967- V.46(3).- P.497Widrow B. Adaptive noice cancelling principles and applications// B.Widrow, J.R.Glover, J.M.McCool.// Proc. IEEE, 1975.- V.63.- P.1692-1716 (имеется перевод см. журналы ТИИЭР за 1976 г.) 1.1. Разработка алгоритма функционирования системы, осуществляющей подавление акустического шума, и исследование его в системе MATLAB.

1.2. Разработка и исследование программной реализации системы на основе ЦПОС.

Разработать систему активного управления подавлением уровня шума. В качестве источника шума использовать искусственный периодический сигнал с частотой 300 Гц. Обеспечить генерацию такого сигнала с помощью звуковой карты компьютера. Необходимо обеспечить подавление указанного шума в зоне вокруг головы оператора. Расстояние от оператора до источника шума 1.5 – 2.0 М.

3. Методические рекомендации по проектированию Активное управление акустическими шумами было впервые предложено в 1930 г. Несмотря на успешные научные разработки, практическая реализация систем активного управления шумом стала возможным только после появления цифровых сигнальных процессоров.

Активное управление шумом (АУШ) базируется на идее использования вторичного источника акустического сигнала, который формирует акустическое поле, деструктивно интерферирующее с акустическим полем первичного источника шума. С целью требуемой компенсации первичного источника, вторичный источник должен адаптироваться ко всем изменениям, происходящим с первичным источником шума. Системы АУШ имеют некоторую аналогию с системами адаптивного подавления шума [ 3 ]. В последних компенсации шума происходит на уровне электрических сигналов, тогда как в системах АУШ – на уровне акустических сигналов. Тем не менее, два указанных класса систем используют, по сути, один и тот же принцип подстройки цифрового адаптивного фильтра. На рисунке 6.1 изображены структурные схемы указанных систем.

В ходе активного подавления шумов подавляются те шумовые компоненты электрического сигнала d(n), формируемого на выходе микрофона, которые линейно коррелируют с сигналом x(n), фиксирующим свойства шума. Для этого подбираются коэффициенты передаточной функции адаптивного фильтра W, так, чтобы достичь минимума среднего квадрата сигнала ошибки e(n).

Целью функционирования системы АУШ является снижение акустического воздействия на микрофон, создаваемого внешним источником шума. Это достигается путем подстройки адаптивного цифрового фильтра W, управляющего громкоговорителем. При этом подстройка выполняется так, чтобы минимизировать значение электрического сигнала e(n) на выходе микрофона, фиксирующего изменения звукового давления в ограниченном пространстве. Весьма важным приложением системы АУШ является подавление периодических звуков, создаваемых подвижными частями различных механизмов. Представляет определенный интерес подавление шумов, создаваемых оргтехникой в учебном помещении.

Рисунок 6.1 – Структурные схемы систем адаптивного подавления шума а) Отметим, что в системах АУШ эффект подавления шума является локальным. Удается снизить уровень шума примерно на 10 ДБ в сферическом пространстве вокруг микрофона с диаметром, равным примерно 0,1, где – длина волны акустического шума. Поэтому, если говорить об улучшении условий труда, специалиста по информационным системам, пользующимся средствами оргтехники, то наиболее подходящим местом размещения акустических элементов АУШ является верхняя часть спинки кресла. Это позволяет создать зону “тишины” вокруг головы оператора.

На рисунке 6.2 изображена практическая схема установки системы АУШ.

Нежелательный шум от первичного источника фиксируется микрофоном М1 (микрофон М1 устанавливается ближе к источнику шума) и поступает на вход адаптивного фильтра W. Адаптивный фильтр управляется громкоговорителем D, который формирует акустические звуки, подавляющие шум. Остаточный шум фиксируется микрофоном М2. Параметры адаптивного фильтра вычисляются таким образом, чтобы минимизировать остаточный шум.

На рисунке 6.3 изображена модель рассмотренной системы АУШ, где P(z) - передаточная функция акустического канала между микрофонами М1 и М2;

s(z) - передаточная функция между динамиком D и микрофоном М2; LMS - алгоритм, вычисляющий коэффициенты фильтра путем минимизации среднего квадрата ошибки.

Коэффициенты адаптивного фильтра на каждом шаге работы LMS – алгоритма вычисляются на основе выражения [4]:

где µ – коэффициент адаптации; x(n) = [ x(n) x(n 1)...x(n L + 1)]T - сигнал на выходе фильтра с передаточной функцией s(z). Данный сигнал определяется из выражения где s(n) – импульсная характеристика фильтра s(z); * - операция свертки. Импульсная характеристика s(n) обычно определяется экспериментально в результате решения задачи идентификации [2].

1. Изучить способы подавления шума и активного управления подавлением шума [1,3].

2. Разработать структурную схему системы активного управления шумом.

Можно воспользоваться схемой, изображенной на рисунках 6.2.

3. Выбрать и рассчитать основные системные параметры:

- частоту дискретизации;

- ориентированный диаметр зоны “тишины”;

- разработать геометрическую схему размещения элементов системы;

- задержки прохождения звукового сигнала от источника шума до микрофонов М1 и М2;

- определить порядок L адаптивного фильтра.

4. Выполнить идентификацию акустического канала между громкоговорителем D и микрофоном М2, определить экспериментально импульсную и амплитудно-частотные характеристики канала. Под задачей идентификации понимают восстановление модели системы (рисунок 6.4) по известным входным и выходным сигналам системы.

Рисунок 6.4 – Задача идентификации системы Теоретические вопросы идентификации систем описаны в [2]. При решении задачи идентификации рекомендуется использовать Identification Toolbox пакета MATLAB.

5. Разработать в системе MATLAB программные модули в соответствии с рисунком 6.3:

- модуль, моделирующий акустический канал с передаточной функцией - адаптивный фильтр;

- фильтр с передаточной функцией s(z);

- модуль вычисления коэффициентов адаптации;

- генератор шумового сигнала.

6. Провести исследование программной модели в системе MATLAB.

Отобразить на графиках и рисунках:

- реализацию и спектр шумового сигнала;

- реализацию и спектры сигнала e(n) на разных этапах адаптации;

- график изменения среднего квадрата ошибки во времени;

- АЧХ и импульсные характеристики адаптивного фильтра на разных этапах адаптации;

- АЧХ и импульсные характеристики фильтра s(z).

Рекомендуется внимательно изучить пример системы адаптивного подавления шума, имеющийся в системе MATLAB (см. DSP BLOCK SET).

7. Разработать программные модули системы на языке СИ для реализации их на ЦПОС. Выполнить отладку данных модулей на ЦПОС TMS320C6711/5402.

8. Провести тестирование системы, реализованной на ЦПОС. Оценить уровень снижения шума, который обеспечивает разработанная система в качестве источника шума.

9. Сравнить результаты моделирования системы в пакете MATLAB и с помощью ЦПОС.

10. Сформулировать заключение.

1. Адаптивные фильтры: Пер. с англ./ Под ред. К.Ф.Н.Коуэна и П.М.Гранта.- М.: Мир, 1988.- 392 с.

2. Дейч А.М. Методы идентификации динамических объектов/ Дейч А.М.М.: Энергия, 1979.-240 с.

3. Уидроу Б. Адаптивная обработка сигналов: Пер. с англ./ Б.Уидроу, С.

Стирнз.- М.: Радио и Связь, 1989.- 440 с.

Передача дискретных сигналов с фазовой манипуляцией 1.1. Разработка алгоритма функционирования системы передачи дискретных сигналов (модема) с двухпозиционной фазовой манипуляцией и программная реализация алгоритма в системе MATLAB и цифровым сигнальным процессором.

1.2. Исследование работоспособности системы при воздействии на сигнал аддитивной флуктуационной помехи.

1.3. Исследование влияния на работоспособность системы параметров фильтров, входящих в состав передатчика и приемника.

1.4. Разработка и исследование программы реализации спроектированного модема на основе цифрового сигнального процессора.

2.1. Скорость манипуляции - 1000 Бод.

2.2. Несущая частота - 1800 Гц.

2.3. Минимальное отношение эффективных напряжений сигнал/помеха - 2.

2.4. Точность подстройки фазы опорного колебания приемника ± 5.

2.5. Вероятность ошибочной регистрации единичных элементов 10.

3. Методические рекомендации по проектированию Типовая упрощенная схема системы передачи дискретных сигналов с фазовой манипуляцией изображена на рисунке 7.1 [1].

Передатчик состоит из фазового модулятора (ФМ), генератора несущей частоты (Г) и канального полосового фильтра (ПФ). При фазовой модуляции в случае изменения модулирующего сигнала по закону f(t) и максимальном изменении начальной фазы на величину фаза сигнала изменяется по закону = 0t + 0 + f(t). Мгновенное значение фазомодулированного напряжения имеет следующий вид:

Здесь – индекс фазовой модуляции (девиация фазы). Для двухпозиционных СПДС принимают равным 90о. На рисунке 7.2 показаны эпюры ФМ-сигнала на выходе передатчика и смесь сигнала с помехой на входе приемника.

При модуляции несущего колебания последовательностью прямоугольных разнополярных импульсов сигнал на выходе модулятора меняется скачкообразно на 180о, т.е. имеет место фазовая манипуляция.

В общем случае спектр ФМ сигнала содержит несущую частоту, симметрично которой располагаются боковые составляющие, отстоящие на частотные интервалы, кратные частоте манипуляции.

В канале связи (КС) передаваемый сигнал искажается вследствие неидельности АЧХ и ФЧХ канала. На него также воздействуют флуктуационные и импульсные помехи.

Полосовой фильтр приемника выделяет из смеси сигнала с помехой часть, в которой сосредоточена основная энергия сигнала. Из этого процесса в устройстве формирования когерентных колебаний формируется опорное колебание для демодуляции ФМ-сигнала в фазовом демодуляторе (ФДм).

Фазовый демодулятор производит перемножение колебаний, поступающих на его вход с опорным сигналом Напряжение на выходе ФДм с коэффициентом передачи 1 и при отсутствии помех и с учетом подавления фильтром НЧ высокочастотных составляющих с частотой 0 + 0П определяется выражением Здесь U0 и UОП – амплитуды сигнала и опорного напряжения соответственно.

На основании этого напряжения решающее устройство вырабатывает выходной сигнал данных. Решение в РУ принимается в момент подачи стробирующего сигнала, вырабатываемого устройством формирования тактовых импульсов (УФТИ).

Полосовой фильтр приемника выделяет из смеси сигнала с помехой часть, в которой сосредоточена основная энергия сигнала. Из этого процесса в устройстве формирования когерентных колебаний формируется опорное колебание для демодуляции ФМ-сигнала в фазовом демодуляторе (ФДм). Из пульсирующего напряжения ФДм фильтром нижних частот (ФНЧ) выделяется огибающая на основании которой решающее устройство вырабатывает выходной сигнал данных. Решение в РУ принимается в момент подачи стробирующего сигнала, вырабатываемого устройством формирования тактовых импульсов (УФТИ).

К системным параметрам модема относятся:

- нестабильность частоты генератора несущей частоты;

- полоса пропускания и центральная частота полосовых фильтров передающей и приемной частей системы;

- полоса пропускания фильтров нижних частот СПДС;

- минимальный уровень сигнала на входе приемника.

Нестабильность частоты генерации несущих колебаний в СПДС по каналам тональной частоты регламентируется рекомендациями МККТТ и составляет ± 6 Гц.

При использовании фазовой манипуляции с передачей двух боковых полос ширина полосы пропускания ПФ передатчика определяется по формуле [3] Так как несущая частота равна FН, то полоса пропускания полосового фильтра равна Полосовой фильтр на входе приемника имеет характеристики, аналогичные ПФ передатчика.

Полосовой фильтр, подключенный на выходе квадратора должен выделять компоненту с удвоенной частотой, т.е. 2 FН и подавлять частотные компоненты, кратные FН, не менее чем на 20дБ.

Фильтр нижних частот системы фазовой автоподстройки частоты служит для выделения из процесса на выходе фазового детектора постоянной составляющей. Поэтому частота среза такого фильтра выбирается в области 10 Гц.

ФНЧ фазового демодулятора должен выделять огибающую ФМ-сигнала. В связи с этим его полоса пропускания определяется скоростью манипуляции В и должна быть равной Перед моделированием собственно СПДС целесообразно вначале спроектировать цифровые фильтры, входящие в ее состав. Для этого задаются желаемые частотные характеристики фильтров, вычисляются нормированные частоты, определяющие полосу пропускания, а затем производится вычисление коэффициентов соответствующих цифровых фильтров.

В процессе моделирования СПДС следует провести исследование влияние типов и порядка фильтров, формы их характеристик на функционирование системы и помехоустойчивость приема сигналов.

В большинстве случаев целесообразно использовать рекурсивные фильтры относительно низкого порядка (2-5) для минимизации запаздывания, которые вносят фильтры, особенно при старте системы.

При построении модели СПДС необходимо предусмотреть вывод графиков АЧХ и ФЧХ фильтров.

Частоту дискретизации Fd при реализации фильтров следует выбирать таким образом, чтобы при последующем моделировании ФМ-сигналов количество отсчетов на один период несущей было не менее 40, т.е. рекомендуется задать частоту дискретизации Fd=(40-50)FH.

При моделировании ФМ-колебаний целесообразно организовывать цикл формирования единичного элемента сигнала. В таком случае очень просто сгенерировать последовательность произвольной длительности. Следует учесть, что минимальное количество единичных элементов должно быть достаточным для подстройки частоты опорных колебаний в приемнике. Его можно определить экспериментальным путем, наблюдая за ошибкой синхронизации, т.е. процесс подстройки частоты должен продолжаться до тех пор, пока ошибка фазирования не достигнет минимума и стабилизируется (см.рисунок 7.3).

Для генерирования флуктуационной помехи целесообразно воспользоваться функцией random, которая формирует вектор помехи в диапазоне значений (0 –1). Изменение диапазона мгновенного значения помехи достигается путем умножения вектора на постоянный коэффициент.

В процессе демодуляции ФМ-сигналов необходимо формировать на приемной стороне когерентные опорные колебания. Для моделирования этого процесса можно воспользоваться процедурой фазовой автоподстройки частоты, которая была получена при выполнении лабораторной работы “Исследование методов фазовой автоподстройки частоты и реализация ФАПЧ в цифровых сигнальных процессорах”.

Рисунок 7.3 – Изменение ошибки синхронизации при подстройке частоты Схема СПДС с детализацией узлов устройства фазовой автоподстройки частоты показана на рисунке 7.4.

1. Повторить материал предшествующей дисциплины «Системы передачи данных», относящийся к принципам построения дискретных каналов, методику проектирования устройств преобразования сигналов, а также методику проектирования цифровых фильтров.

2. Начертить обобщенную схему системы передачи дискретных сигналов (СПДС) с двухпозиционной ФМ. Можно воспользоваться схемой, изображенной на рисунке 7.1.

3. Рассчитать системные параметры СПДС.

4. Разработать в системе MATLAB программу формирования ФМколебаний при поступлении на вход модулятора разнополярных импульсов единичной амплитуды.

5. Спроектировать цифровой фильтр нижних частот, используемый для формирования спектра передаваемых сигналов и исследовать влияние параметров фильтра (полосы пропускания, порядка и типа фильтра) на ширину спектра канальных сигналов и время запаздывания сигнала на выходе фильтра.

6. Сгенерировать вектор отсчетов флуктуационной помехи и добавить помеху к передаваемому сигналу.

7. Разработать системе MATLAB программу формирования на приемной стороне когерентных опорных колебаний с подстройкой фазы под принимаемый ФМ-сигнал.

8. Разработать системе MATLAB программу демодуляции ФМ-сигналов.

9. В процессе моделирования на MATLAB отобразить на графиках:

- АЧХ- и ФЧХ-характеристики всех фильтров, используемых в модеме;

- выходной сигнал передатчика модема без помехи;

- сигнал с помехой на входе приемника;

- сигнал опорного генератора приемника для каждого шага итерации процедуры подстройки опорного генератора;

- сигнал на выходе демодулятора модема.

10. Разработать алгоритм и программные модули на языке СИ реализации модема цифровым сигнальным процессором DSP.

11. Провести исследование программной реализации процедуры передачи и приема ФМ-сигналов цифровым сигнальным процессором.

12. Отобразить на графиках процессы, отмеченные в 4.9.

13. Провести сравнение результатов моделирования на MATLAB и реализации модема программным способом в ЦСП.

14. Сделать выводы по работе.

1. Боккер П. Передача (Техника связи в системах телеобработки данных).

Том 1. Основы: Пер с нем./ Под ред. Д.Д.Кловского.-М.: Связь, 1080.- 2. Бондарев В.Н., Трестер Г., Чернега В.С. Цифровая обработка сигналов:

методы и средства. –Севастополь: Изд-во СевГТУ, 1999.- 398 с.

3. Чернега В.С., Василенко В.А., Бондарев В.Н. Расчет и проектирование технических средств обмена и передачи информации. - М.: Высш. шк., 1990. - 4. Шварцман В.О., Емельянов Г.А. Теория передачи дискретной информации. - М.:

Связь, 1979.-424с.

с квадратурной амплитудной манипуляцией Разработка алгоритма и исследование функционирования системы передачи дискретных сигналов (модема) с квадратурной амплитудной манипуляцией, реализованной цифровым сигнальным процессором.

2.1. Разработать электрическую схему на основе цифрового сигнального процессора и программное обеспечение модема с 16-позиционной квадратурной амплитудной модуляцией (КАМ), соответствующего рекомендации V.29 МККТТ.

2.2. Устройство должно содержать:

- преобразователь кода входной последовательности;

- модулятор и демодулятор прямого канала связи;

- канальные фильтры;

- схемы сопряжения с источником и получателем информации;

- схему формирования когерентных колебаний.

2.3. Обосновать выбор и рассчитать системные параметры передатчика и приемника (частоту манипуляции и частоту тактовых импульсов, параметры полосовых канальных фильтров и фильтров нижних частот демодулятора и схемы формирования опорных колебаний, минимальный уровень сигнала на входе приемника).

2.4. Построить имитационную модель системы передачи дискретных сигналов (СПДС) с использованием пакета “MATLAB” или “LabVIEW” и исследовать функционирование системы со снятием временных и спектральных диаграмм в характерных точках устройства.

2.5. Провести исследование влияния типа и порядка используемых в СПДС фильтров на форму и спектры выходного сигнала передатчика и сигналов в характерных точках приемника.

2.6. Разработать электрическую принципиальную схему и программное обеспечение реализации СПДС на базе процессора с учетом системных параметров, полученных в предыдущих пунктах.

2.7. Произвести отладку разработанной СПДС на отладочном комплексе Code Composer Studio V2 и учебном микропроцессорном наборе с использованием цифровых сигнальных процессоров типа TMS320C5402 либо TMS320C6711 и выполнить исследование работоспособности устройства в реальном времени.

2.8. Провести сравнение временных и спектральных характеристик в характерных точках схемы с данными имитационного моделирования.

3. Методические рекомендации по проектированию Типовая упрощенная схема системы передачи дискретных сигналов с квадратурной амплитудной манипуляцией изображена на рисунке 8.1 [1].

Передатчик состоит из двух каналов - синфазного и квадратурного, состоящих соответственно из формирующих фильтров ФФ1 и ФФ2 и амплитудных модуляторов АМ1 и АМ2. При передаче данных со скоростью 9600 бит/с двоичная последовательность входных данных (Вх.Д) разбивается на группы, состоящие из четырех бит (квадрибиты). Каждому квадрибиту в преобразователе кода ПК ставится в соответствие значение амплитуды A(t) для синфазного и B(t) – для квадратурного каналов.

Колебания несущей частоты 0 на модуляторы подаются с генератора Г со сдвигом на 90О. Амплитудно-модулированные колебания с выходов обоих модуляторов складываются в сумматоре См и, после ограничения спектра в канальном полосовом фильтре, поступают в канал связи КС. Выражение для сигнала на выходе передатчика имеет вид В результате сложения двух колебаний, находящихся в квадратуре, образуется сигнал с амплитудно-фазовой модуляцией (АФМ). Эпюра АФМ-сигнала показана на рисунке 8.2.

В канале связи к сигналу добавляется флуктуационные и сосредоточенные помехи. На передаваемый сигнал оказывает влияние также неравномерность амплитудно-частотной (АЧХ) и фазо-частотной (ФЧХ) характеристик.

На приемной стороне полосовой фильтр приемника выделяет из смеси сигнала с помехой часть, в которой сосредоточена основная энергия сигнала.

Затем сигнал подается на демодулятор синфазной Дм1 и квадратурной Дм2 составляющих. В устройстве формирования когерентных колебаний УФКК из принимаемого сигнала с АФМ формируется ортогональные опорные колебания, сдвинутые между собой по фазе на 90О. Для восстановления информации принимаемый сигнал (1) демодулируется путем умножения на ортогональные несущие колебания, когерентные соответствующим колебаниям передатчика.

Напряжения после демодуляторов синфазного и квадратурного каналов описываются соответственно выражениями:

Рисунок 8.2 - Эпюра АФМ-сигнала на выходе передатчика После подавления высокочастотных компонент в приемных фильтрах ФНЧ1 и ФНЧ2 сигналы обоих каналов полностью разделены:

На рисунке 8.3 показаны эпюры напряжений UФНЧ1(t) и UФНЧ2(t), полученные в результате моделирования работы приемника в системе MATLAB.

Решение в решающих устройствах синфазного и квадратурного каналов РУ1 и РУ2 принимается в момент подачи стробирующего сигнала, вырабатываемого устройством формирования тактовых импульсов (УФТИ). В преобразователе кода приемника ПК производится преобразования двух амплитуд A(t) и B(t) в соответствующий им квадрибит.

К системным параметрам модема относятся:

- нестабильность частоты генератора несущей частоты;

- полоса пропускания и центральная частота полосовых фильтров передающей и приемной частей системы;

- полоса пропускания фильтров нижних частот СПДС;

- минимальный уровень сигнала на входе приемника.

Нестабильность частоты генерации несущих колебаний в СПДС по каналам тональной частоты регламентируется рекомендациями МККТТ и составляет ± 6 Гц.

Формирующие фильтры ФФ1 и ФФ2 служат для ограничения спектра передаваемых сигналов. Ширина спектра сигнала существенно зависит от вида частотной характеристики ФФ. На практике используют фильтры с характеристикой типа «приподнятый косинус» [3]. Полоса пропускания формирующего фильтра выбирается из соотношения При использовании амплитудно-фазовой манипуляции с передачей двух боковых полос ширина полосы пропускания ПФ передатчика определяется по формуле[3] Так как несущая частота равна FН, то полоса пропускания полосового фильтра равна Полосовой фильтр на входе приемника имеет характеристики, аналогичные ПФ передатчика.

ФНЧ амплитудных демодуляторов ФНЧ1 и ФНЧ2 должны выделять огибающую АМ-сигнала. В связи с этим полоса пропускания ФНЧ определяется скоростью манипуляции В и вычисляется по формуле Перед моделированием собственно СПДС целесообразно вначале спроектировать цифровые фильтры, входящие в ее состав. Для этого задаются желаемые частотные характеристики фильтров, вычисляются нормированные частоты, определяющие полосу пропускания, а затем производится вычисление коэффициентов соответствующих цифровых фильтров [2].

В процессе моделирования СПДС следует провести исследование влияние типов и порядка фильтров, формы их характеристик на функционирование системы и помехоустойчивость приема сигналов.

В большинстве случаев целесообразно использовать рекурсивные фильтры относительно низкого порядка (2-5) для минимизации запаздывания, которые вносят фильтры, особенно при старте системы.

При построении модели СПДС необходимо предусмотреть вывод графиков АЧХ и ФЧХ фильтров.

Частоту дискретизации Fd при реализации фильтров следует выбирать таким образом, чтобы при последующем моделировании АМ-сигналов количество отсчетов на один период несущей было не менее 40, т.е. рекомендуется задать частоту дискретизации Fd=(40-50)FH.

При моделировании КАМ-колебаний целесообразно организовывать цикл формирования единичного элемента сигнала. В таком случае очень просто сгенерировать последовательность произвольной длительности. Следует учесть, что минимальное количество единичных элементов должно быть достаточным для подстройки частоты опорных колебаний в приемнике. Его можно определить экспериментальным путем, наблюдая за ошибкой синхронизации, т.е. процесс подстройки частоты должен продолжаться до тех пор, пока ошибка фазирования не достигнет минимума и стабилизируется.