فهرس المقالات Audio Signal Processing

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - Long-Term Spectral Pseudo-Entropy (LTSPE): A New Robust Feature for Speech Activity Detection
  Mohammad Rasoul  kahrizi Seyed jahanshah kabudian
  10.7508/jist.2018.04.003
  Speech detection systems are known as a type of audio classifier systems which are used to recognize, detect or mark parts of an audio signal including human speech. Applications of these types of systems include speech enhancement, noise cancellation, identification, r أکثر

  Speech detection systems are known as a type of audio classifier systems which are used to recognize, detect or mark parts of an audio signal including human speech. Applications of these types of systems include speech enhancement, noise cancellation, identification, reducing the size of audio signals in communication and storage, and many other applications. Here, a novel robust feature named Long-Term Spectral Pseudo-Entropy (LTSPE) is proposed to detect speech and its purpose is to improve performance in combination with other features, increase accuracy and to have acceptable performance. To this end, the proposed method is compared to other new and well-known methods of this context in two different conditions, with uses a well-known speech enhancement algorithm to improve the quality of audio signals and without using speech enhancement algorithm. In this research, the MUSAN dataset has been used, which includes a large number of audio signals in the form of music, speech and noise. Also various known methods of machine learning have been used. As well as Criteria for measuring accuracy and error in this paper are the criteria for F-Score and Equal-Error Rate (EER) respectively. Experimental results on MUSAN dataset show that if our proposed feature LTSPE is combined with other features, the performance of the detector is improved. Moreover, this feature has higher accuracy and lower error compared to similar ones. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - آشکارسازی آغازه در تکنوازی تار بر پایه انرژی و فرکانس پایه
  بهراز فرخی احسان‌اله کبیر
  در اين مقاله روشي تازه براي آشکارسازي آغازه در تکنوازي ساز تار ارائه شده است. در تعريف تابع آشکار‌ساز آغازه، از دو ويژگي انرژي و فرکانس پايه استفاده کرده‌ايم که نتيجه آن به کمک يک الگوريتم قله‌ياب سازگار براي آشکارسازي اوليه آغازه‌ها استفاده مي‌شود. با استفاده از يک روش أکثر

  در اين مقاله روشي تازه براي آشکارسازي آغازه در تکنوازي ساز تار ارائه شده است. در تعريف تابع آشکار‌ساز آغازه، از دو ويژگي انرژي و فرکانس پايه استفاده کرده‌ايم که نتيجه آن به کمک يک الگوريتم قله‌ياب سازگار براي آشکارسازي اوليه آغازه‌ها استفاده مي‌شود. با استفاده از يک روش تطبيق کليشه‌اي بهبوديافته، فرکانس‌هاي پايه تعيين شده و از تطبيق زمانی آنها با نتايج اوليه‌، آشکارسازي نهايي آغازه‌ها انجام مي‌شود. تابع آشکارساز پيشنهادی به دليل استفاده هم‌زمان از دو ويژگي انرژی و فرکانس پايه، قابليت تشخيص نت‌های نرم و سخت را داراست. براي آزمايش، اين سيستم را روي مجموعه‏اي از قطعات تکنوازي تار با آغازه‌هاي معلوم به کار گرفته و نتايج آن را در مقایسه با روش مبتنی بر ویژگی انرژی و بر اساس ملاک F تحليل کرده‌ايم. نتایج به دست آمده نشان‌دهنده بهبود کارایی سیستم در شناسایی آغازه‌های ساز تار است. تفاصيل المقالة