VI Международная студенческая научная конференция Студенческий научный форум - 2014

Вейвлеты являются обобщенным названием временных функций, которые представляют собой волновые пакеты той или иной формы, для которых проведена локализация на оси независимой переменной (обычно это время или координата). Вейвлеты можно сдвинуть быть сдвинуты по такой оси и подвергнуть масштабированию (то есть, сжатию-растяжению).

Целью данной работы является рассмотрение возможностей применения вейвлетов для решения различных задач.

В последние время активно возникают работы связанные с практическим использованием вейвлетов. Можно отметить некоторые достоинства вейвлетов. Можно использовать набор вейвлетов, для их частотного или временного представления в целях приближения сложного сигнала. Такое приближение может быть как идеально точным, так и с определенной погрешностью. Вейвлеты могут характеризоваться преимуществами, в то время, когда происходит изучение локальных особенностей функций по сравнению с подходами в рамках рядов Фурье.

Уже довольно давно исследователи определили, что преобразование Фурье имеет ряд недостатков, среди них можно отметить: 1.Оно не имеет временное разрешение. 2Есть фиксированное окно. 3.Наблюдается эффект Гиббса (заключающийся в том, что существует невозможность отслеживания локальных особенностей на всей частотной оси). 4.Проводится определение функции на бесконечном интервале.

Определенным образом такие проблемы можно решить на основе применения оконного преобразования Фурье.Вейвлет-анализ открывает принципиально новые возможности в детальном анализе тонких особенностей, что особенно важно для звуковых, и в частности для речевых сигналов.

Подводя итог всего вышесказанного, становится ясно, что одномерные дискретные вейвлеты наиболее приспособлены для анализа сложных речевых сигналов, искаженных шумом. В отличие от непрерывных вейвлетов, дискретные вейвлеты применяют быстрые алгоритмы вейвлет-разложения и реконструкции сигналов. Их дискретность, в частности при построении спектрограмм перестает играть огрубляющую роль, если число отсчетов сигналов составляет сотни и тысячи. Большое число типов вейвлетов и их подвидов, широкие возможности регулировки порогов и выбора степени декомпозиции и реконструкции сигналов, а также различные методы подавления шумов позволяют добиваться прекрасных результатов при решении этой актуальной проблемы. Очистка речевых сигналов от шумов довольно перспективная область применения вейвлет-технологий. Однако после изучения соответствующей литературы, возникла идея по разработке системы комбинирования методов и различных типов вейвлетов, применяемых в системах распознавания речи для очистки входных сигналов от шумов, в зависимости от типа (групп) анализируемых сигналов по возрастно-половым признакам. При анализе временных рядов на основе вейвлет-преобразования можно определить период колебаний.

Вывод. Таким образом, на основе вейвлет преобразования существует возможность глубокого анализа решений различных задач.

1.Головинов С.О. Цифровая обработка сигналов/ С.О.Головинов, С.Г.Миронченко, Е.В. Щепилов, А.П.Преображенский // Вестник Воронежского института высоких технологий. 2009. № 4. С. 64-65.

2.Головинов С.О. Исследование декодирования кодовой комбинации с независимыми ошибками / С.О.Головинов, С.В.Комаров, А.П.Преображенский //Вестник Воронежского института высоких технологий. 2009. № 4. С. 8-9.

3.Кленяева Г.В. Современные проблемы речевой акустики и построения систем автоматического распознавания речи /Г.В.Кленяева, А.П.Преображенский // Вестник Воронежского института высоких технологий. 2007. Т. 1. № 2-1. С. 71-74.

4.Куликов С.С. Разработка риск-модели на основе спектрального анализа: сигнал риска и его характеристики /С.С.Куликов, А.В.Петровский, В.И.Белоножкин // Информация и безопасность, 2012, № 1, с.117-120.

5.Тихомиров Н.М.Экспертная методика оценки возможности реализации угрозы в фемтосотовых сетей стандарта LTE /Н.М.Тихомиров, Н.С. Коленбет, Н.Н.Толстых // Информация и безопасность, 2012, № 1, с.125-128.

6.Куликов С.С. Разработка риск-модели на основе спектрального анализа: выделение случайной компоненты /С.С.Куликов, А.В.Петровский, Н.Н.Толстых // Информация и безопасность, 2012, № 1, с.129-130.