کاهش نویز سیگنال گفتار با استفاده از تجزیه ماتریس نا منفی بر پایه یادگیری بدون نظارت

هنگامی که سیگنال صوتی در محیط نویزی می باشد، بهبود گفتار بسیار ضروری است. از مدت ها پیش، کاهش نویز در یک سیگنال صوتی تک صدایی نویزی، یکی از موضوعات چالش برانگیز بوده است. در مقایسه با روش های بهبود گفتار بدون نظارت سنتی، برای مثال فیلتر وینر، روش های با نظارت هم چون الگوریتم های مبتنی بر مدل های مخفی مارکوف منجر به افزایش کیفیت سیگنال های صوتی می شوند. هرچند، مشکل اصلی عملی این روش ها این است که برای هر نوع خاصی از نویز، نیازمند آموزش یک مدل، پیش از انجام بهبود گفتار می باشند. در این مقاله، یک کلاس جدید از الگوریتم های کاهش نویز آنلاین که از تجزیه ماتریس نا منفی می نمایند، معرفی می شود. همچنین یک روش بهبود گفتار جدید که مبتنی بر روابط مرتبط با تجزیه ماتریس نامنفی است، ارائه گردیده است. آزمایشات گسترده ای بر روی سیگنال های مختلف صوت نویزی جهت تعیین عملکرد روش پیشنهادی، انجام شده است. نتایج شبیه سازی نشان می دهد که روش های مبتنیبر تجزیه ماتریس نامنفی بیزین، دارای عملکرد بهتری نسبت به روش های رقابتی در کاهش نویز و بهبود گفتار می باشند.

کلیدواژه ها:

بهبود سیگنال گفتار ، تجزیه ماتریس نامنفی ، روابط بیزین ، سیگنال صوت نویزی