:
موضوع بهبود گفتار با نیاز به افزایش كیف یت عملكرد سیستمهای ارتباطی صوتی در محیط های نویزی ، مطرح گردید . رنج عملكردی وسیعی برای سیستمهای تشخیص گفتار جهت بهبود ارتباط از راه دور در هوانوردی ، صنایع نظامی ، گفتگوهای راه دور و محیط های سلولی وجود دارد . هدف ما نیز در این پایان نامه بهبود كیفیت قابل ملاحظه گفتار یا افزایش قابلیت فهم آن می باشد.
كاربردهای فراوانی از بهبود گفتارهای صوتی تا پیش بینی های اقتصادی و كنترل تطبیقی نیازمند تخمین و مدلسازی دنباله های زمانی نویزی می باشند . از این جمله می توان به بهبود گفتارهای صوتی ، پیش بینی اقتصادی ، مدلسازی ژئو فیزیكی و بسیاری كاربردهای دیگر اشاره كرد. یک دنباله زمانی نویزی می تواند با یک مدل احتمالی كه هر دوی اجزای تقریبی و دقیق دینامیک ها را تخمین می زند ، توصیف شود . چنین مدلی می تواند به همراه فیلتر كالمن (یا فیلتر كالمن توسعه یافته) جهت تخمین و پیش بینی سری زمانی از مشاهدات نویزی بكار گیری شود.
فیلتر كالمن یک فیلتر بهینه خطی است كه بر روی فضای حالت سیتمهای خطی استاتیكی و دینامیكی اثر گذاشته و یک تخمین بهینه از حالتهای سیستم با بهره گرفتن از معادلات بر گشت پذیر و دینامیكی خود در شرایطی كه دسترسی به آنها میسر نباشد ارائه می دهد. همچنین این فیلتر می تواند تاثیر كلیه اطلاعات گذشته و ابتدایی سیستم را نیز در تخمین هر لحظه خود لحاظ نماید.

بنابراین با توضیحات ارائه شده در بالا می توان فهمید كه جهت بازیابی یک سیكنال صوتی به یک تخمین خوب نیاز است اما موضوع مهم این است كه فیلتر كالمن خطی قادر

خرید متن کامل این پایان نامه :

 به ارائه تخمین از مدلهای سیستمهای غیر خطی نمی باشد حال آنكه اكثر سیستمهای واقعی كه سیستمهای صوتی نیز از این جمله می باشند ماهیت غیر خطی دارند. لذا در این پایان نامه بر آن شدیم تا با مطالعه بر روی فیلتر كالمن توسعه یافته و به كمك شبكه های عصبی بتوانیم موضوع مدلسازی و تخمین سیگنال صوتی را با فرض غیر خطی بودن آن بررسی نماییم.

1- مروری بر پژوهش های پیشین
1-1- فیلتر وینر:
روبرت وینر به همراه نویلسون از دانشگاه MIT امریكا در خلال سالهای ۱۹۴۰ تا ۱۹۴۹ تحقیق گسترده ای را جهت یافتن یک فیلتر بهینه به منظور تخمین حالتهای سیستمهای خطی انجام دادند كه نهایتا در سال ۱۹۴۹ منجر به معرفی فیلتر وینر گردید. این فیلتر یک تخمین خطی با حداقل كردن میانگین مربعات خطا (LMMSE) برای سیگنال مشاهده شده ارائه می دهد. اما این فیلتر دارای چند مشكل بود. اول آنكه ما نیازمند تخمینهای علی هستیم و در نتیجه برای تخمین علی بایستی از فیلتر وینر علی استفاده شود در حالیكه فیلتر وینر فقط N مشاهده جدید را جهت تخمین بكارگیری می كرد و در نتیجه ممكن بود اطلاعاتی از سیگنال در مشاهدات گذشته وجود داشته باشد كه در این صورت از بین می رفت. دوم آنكه این فیلتر فقط برای نویزهای ثابت با میانگین صفر طراحی شده بود در حالیكه در دنیای واقعیت انواع نویزهای غیر ثابت وجود دارد. سوم آنكه فیلتر وینر جهت ارائه تخمین سیگنال نیاز به چگالی طیفی و تابع خود همبستگی سیگنال دارد كه در همه مواقع در دسترس نمی باشد. وچهارم آنكه تخمینهای LMMSE و ML و MAP كه جهت محاسبات این فیلتر بكار می روند در هر زمان نیاز به مشاهدات جدید بودند كه مستلزم حافظه بالا بود. همه این عوامل محققان را در طی سالهای ۱۹۵۰ تا ۱۹۶۰ به فكر انداخت تا در پی معرفی فیلتری جدید با قابلیت ارائه تخمین خطی بهینه از طریق مینیمم كردن میانگین خطا و عاری از مشكلات فیلتر وینر باشند.