Estrazzjoni mtejba tal-Parametri tal-Karatteristika Mis-Sinjali tad-Diskors Bl-użu tal-Algoritmu tat-Tagħlim Magni(1)

Astratt: Ir-rikonoxximent tad-diskors jirreferi għall-kapaċità ta 'softwer jew ħardwer li jirċievi sinjal tad-diskors, jidentifika l-karatteristiċi tal-kelliem fis-sinjal tad-diskors, u jirrikonoxxi l-kelliem minn hemm 'il quddiem. B'mod ġenerali, il-proċess ta 'rikonoxximent tad-diskors jinvolvi tliet passi ewlenin: ipproċessar akustiku, estrazzjoni tal-karatteristiċi, u klassifikazzjoni/rikonoxximent. L-iskop tal-estrazzjoni tal-karatteristiċi huwa li jintwera sinjal tad-diskors bl-użu ta 'numru predeterminat ta' komponenti tas-sinjal. Dan għaliex l-informazzjoni kollha fis-sinjal akustiku hija eċċessivament ingombranti biex tiġi mmaniġġjata, u xi informazzjoni hija irrilevanti fil-kompitu ta 'identifikazzjoni. Dan l-istudju jipproponi approċċ ibbażat fuq it-tagħlim tal-magni li jwettaq estrazzjoni tal-parametri tal-karatteristiċi minn sinjali tad-diskors biex itejjeb il-prestazzjoni tal-applikazzjonijiet ta 'rikonoxximent tad-diskors f'ambjenti ta' bliet intelliġenti f'ħin reali. Barra minn hekk, il-prinċipju tal-immappjar ta' blokka tal-memorja prinċipali mal-cache jintuża b'mod effiċjenti biex jitnaqqas il-ħin tal-kompjuters. Id-daqs tal-blokk tal-memorja cache huwa parametru li jaffettwa b'mod qawwi l-prestazzjoni tal-cache. B'mod partikolari, l-implimentazzjoni ta' tali proċessi f'sistemi f'ħin reali teħtieġ veloċità għolja ta' komputazzjoni. Il-veloċità tal-ipproċessar għandha rwol importanti fir-rikonoxximent tad-diskors f'sistemi f'ħin reali. Jeħtieġ l-użu ta 'teknoloġiji moderni u algoritmi veloċi li jżidu l-aċċelerazzjoni fl-estrazzjoni tal-parametri tal-karatteristiċi mis-sinjali tad-diskors. Problemi bl-overclocking waqt l-ipproċessar diġitali tas-sinjali tad-diskors għad iridu jiġu solvuti kompletament. Ir-riżultati sperimentali juru li l-metodu propost jiġbed b'suċċess il-karatteristiċi tas-sinjal u jikseb prestazzjoni ta 'klassifikazzjoni bla xkiel meta mqabbel ma' algoritmi konvenzjonali oħra ta 'rikonoxximent tad-diskors.

Cistanche deserticola

Kliem ewlieni: rikonoxximent tad-diskors; kompjuters paralleli; kompjuters distribwiti; proċessur multicore; estrazzjoni tal-karatteristiċi; analiżi spettrali

1. Introduzzjoni

L-istabbiliment ta 'approċċi ta' komunikazzjoni bejn il-bnedmin u t-teknoloġija tal-kompjuter huwa kompitu kritiku fl-intelliġenza artifiċjali moderna. Wieħed mill-aktar metodi faċli għall-utenti biex idaħħlu l-informazzjoni huwa permezz ta 'sinjali tad-diskors. Għalhekk, it-teknoloġija tal-ipproċessar tas-sinjali tad-diskors u l-għodod tagħha saru parti meħtieġa mis-soċjetà tal-informazzjoni. Ir-rikonoxximent tad-diskors huwa aspett ta’ riċerka essenzjali tal-ipproċessar tas-sinjali tad-diskors u teknika vitali ta’ interazzjoni bejn il-bniedem u l-kompjuter. Is-sinjali tad-diskors fihom informazzjoni semantika, personali u ambjentali [1]. L-approċċ ġenerali għall-ipproċessar tas-sinjal tad-diskors huwa li tuża analiżi għal żmien qasir, li fiha s-sinjal huwa maqsum fi twieqi tal-ħin ta 'daqs fiss, jekk wieħed jassumi li l-parametri tas-sinjal ma jinbidlux. Tqiegħed koinċidenza bejn it-twieqi biex tinkiseb rappreżentazzjoni tas-sinjali aktar preċiża. Algoritmi ta 'estrazzjoni ta' karatteristiċi bħal analiżi spettrali u tbassir lineari huma applikati għal kull tieqa. Madankollu, dawn il-proċessi għandhom jikkunsidraw ukoll il-veloċità u l-ħin.

Ġinseng tad-deżert

Iż-żmien huwa tħassib sinifikanti f'diversi oqsma tal-ipproċessar tas-sinjali f'ħin reali. Il-proporzjon tal-veloċità tal-ipproċessar jista 'jiżdied billi tuża b'mod effiċjenti r-riżorsi tal-proċessur u tiżviluppa algoritmi ġodda u veloċi biex jitnaqqas il-ħin tal-ipproċessar diġitali. Madankollu, problemi ta' kompjuters ta' prestazzjoni għolja għadhom ma ġewx solvuti għal kollox [2]. Barra minn hekk, sar progress sostanzjali fir-rikonoxximent awtomatiku tad-diskors bl-iżvilupp ta 'ħardwer u softwer għall-ipproċessar tas-sinjali diġitali. Madankollu, minkejja dawn l-avvanzi, il-magni ma jistgħux jaqblu mal-prestazzjoni tal-kontropartijiet umani tagħhom f'termini ta 'preċiżjoni u rikonoxximent tal-veloċità, partikolarment fir-rikonoxximent tad-diskors indipendenti mill-kelliem. Għalhekk, ammont kbir ta’ riċerka li saret dwar ir-rikonoxximent tad-diskors iffokat fuq problemi ta’ rikonoxximent tad-diskors li huma indipendenti mill-kelliem, minħabba l-firxa wiesgħa ta’ applikazzjonijiet u limitazzjonijiet tat-tekniki ta’ rikonoxximent tad-diskors disponibbli [3].

Fil-qosor, il-kontribuzzjonijiet ewlenin tal-istudju huma kif ġej:

Te Cistanche

Ikklikkja hawn biex tara l-prodotti tat-te Cistanche deserticola

【Staqsi għal aktar】 Email:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Il-proċess ta 'identifikazzjoni ta' persuna permezz ta 'sinjali ta' diskors jikkonsisti f'diversi stadji. Fost dawn, xi passi jeħtieġu aktar ħin ta 'kalkolu. Din hija analiżi spettrali. Wieħed mill-parametri li huwa speċjalment importanti fl-algoritmi tat-tagħlim tal-magni huwa l-ħin tat-taħriġ. F'dan ix-xogħol, sibna li l-proċess ta 'estrazzjoni ta' karatteristiċi huwa importanti għall-identifikazzjoni tas-sinjali tad-diskors. Barra minn hekk, jieħu ħafna ħin fit-tagħlim tal-magni. Huwa stabbilit li l-proċess ta 'analiżi spettrali jikkonsisti f'operazzjonijiet indipendenti, u l-parallelizzazzjoni hija possibbli.

L-esperimenti wrew li t-trasformazzjonijiet spettrali FFT u DCT jagħtu riżultati tajbin fl-analiżi spettrali. Il-proċess ta 'analiżi spettrali huwa validu għal kull segment tas-sinjal tad-diskors. Dan jippermettilna niddistingwu b'mod ċar dawn il-karatteristiċi mis-sinjal tad-diskors. Bl-għajnuna tal-għodod OpenMP u TBB, ġie żviluppat algoritmu tal-kompjuters parallel li għamilha possibbli li jitħaffef il-kalkoli.

Id-daqs tas-segment huwa importanti meta taqsam sinjal tad-diskors f'segmenti. Matul l-esperimenti, instab li d-daqs tas-segment tas-sinjal tad-diskors jiddependi fuq il-memorja cache tal-proċessur ċentrali. B'mod partikolari, it-tqabbil tas-segment mad-daqs tal-cache fi proċessuri multicore instab li għandu effett pożittiv fuq il-veloċità tal-komputazzjoni fit-tagħlim tal-magni.

Metodu ġdid ta 'implimentazzjoni parallela huwa propost għal trasformazzjonijiet spettrali ta' sinjali għall-estrazzjoni tal-parametri tal-karatteristiċi minn sinjali tad-diskors bl-użu ta 'algoritmu ta' tagħlim tal-magni fuq proċessuri multicore li jużaw TBB u OpenMP.

Instab ukoll li l-użu effettiv tal-prinċipju tal-immappjar tal-blokka tal-memorja prinċipali mal-cache u d-daqs tal-blokk tal-memorja cache jistgħu jżidu l-veloċità tal-ipproċessar.

Suppliment Cistanche qrib me-Titjib tal-Memorja

Il-kumplament ta' dan id-dokument huwa organizzat kif ġej. It-Taqsima 2 tirrevedi studji eżistenti għall-estrazzjoni ta' proprjetajiet speċifiċi tas-sinjali tad-diskors. It-Taqsima 3 tiddeskrivi l-passi tal-estrazzjoni tal-karatteristiċi b'esperimenti. It-Taqsima 4 tippreżenta l-algoritmu komputazzjonali ta 'prestazzjoni għolja propost għall-estrazzjoni tal-parametri tal-karatteristiċi mis-sinjali tad-diskors fid-dettall. Ir-riżultati sperimentali bbażati fuq l-implimentazzjoni tagħna huma diskussi fit-Taqsima 5. It-Taqsima 6 tenfasizza l-limitazzjonijiet tal-metodu propost. Fl-aħħarnett, it-Taqsima 7 tikkonkludi l-istudju billi tiġbor fil-qosor is-sejbiet u tinnota direzzjonijiet ta 'riċerka futuri.

2. Xogħlijiet Relatati

Metodi ġodda, algoritmi, u applikazzjonijiet aktar moderni bħalissa qed jiġu żviluppati u mtejba għas-segmentazzjoni tas-sinjali tad-diskors u l-kalkolu ta 'indikaturi parametriċi ta' frammenti magħżula, u b'hekk jinħoloq spettrogramma ta 'sinjali tad-diskors bl-użu ta' analiżi spettrali [4-7]. L-identifikazzjoni tal-kelliema bi klipps tal-vuċi diversifikati madwar id-dinja hija kompitu kruċjali u ta’ sfida, speċjalment fl-estrazzjoni ta’ karatteristiċi vigorużi u diskriminattivi [8]. Ġie propost minn Korkmaz et al. ġdid Mel Frequency Cepstral Coefficients (MFCC) sistema ta 'estrazzjoni li hija aktar mgħaġġla u aktar effiċjenti fl-enerġija mir-realizzazzjoni tradizzjonali ta' MFCC. [9]. Minflok ma użaw filtru high-pass pre-enfasi, huma użaw filtru low-pass. Huma implimentaw filtru bandpass b'filtru high-pass minħabba li hemm bżonn ta 'enfasi minn qabel biex tingħata spinta lill-enerġija tas-sinjal fi frekwenzi għoljin. Fix-xogħol preċedenti tagħna [10], ippreżentajna metodu ġdid ibbażat fuq MFCC għall-identifikazzjoni tal-kelliema. Minflok ma nużaw MFCCs konvenzjonali, aħna nimpjegaw pixels mill-ispettrogramma Mel bħala s-sett ta 'karatteristiċi tagħna. L-ispettrogramma ġiet trasformata f'array 2-D biex jinħoloq dataset ġdid. Biex jiġi identifikat il-kelliem, diversi algoritmi ta' tagħlim tpoġġew fil-prattika b'teknika ta' 10-cross-validation. Bl-għajnuna ta 'perceptron b'ħafna saffi (MLP) b'funzjoni ta' attivazzjoni tanh, inkisbet l-aħjar preċiżjoni ta '90.2 fil-mija.

L-estrazzjoni tal-karatteristiċi titwettaq billi tinbidel il-forma tal-mewġ tad-diskors għal forma ta 'rappreżentazzjoni parametrika b'rata tad-dejta relattivament inqas għall-ipproċessar u l-analiżi sussegwenti [11-14]. L-approċċi tal-estrazzjoni tal-karatteristiċi normalment jagħtu vettur tal-karatteristiċi multidimensjonali għal kull sinjal tad-diskors. L-estrazzjoni tal-karatteristiċi hija l-aktar porzjon rilevanti tar-rikonoxximent tal-kelliema. Il-​karatteristiċi tad-​diskors għandhom parti vitali fis-​segregazzjoni taʼ kelliem minn oħrajn. L-estrazzjoni tal-karatteristiċi tnaqqas il-kobor tas-sinjal tad-diskors, mingħajr ma tikkawża xi ħsara lill-qawwa tas-sinjal tad-diskors [15–17]. Fi [18], l-awturi introduċew approċċ ġdid li jisfrutta l-irfinar tal-parametri tad-daqs u ċ-ċaqliq tat-tieqa tal-analiżi spettrali użata biex tiġi kkalkulata t-trasformazzjoni inizjali ta’ Fourier għal żmien qasir biex ittejjeb il-prestazzjoni ta’ rikonoxximent awtomatiku tad-diskors dipendenti mill-kelliem. (ASR). Fin-nuqqas ta’ tobba, il-lajċi jistgħu jimpjegaw sistemi ta’ għajnuna għad-deċiżjonijiet li nħolqu bl-użu ta’ approċċi ta’ intelliġenza artifiċjali. L-iskoperta bikrija u mhux invażiva tal-istatus tal-qalb tista 'titwettaq bl-użu ta' sinjali ta 'fonokardjogramma (PCG) [19-21].

Netwerks newrali konvoluzzjonali (CNNs) intwerew li jissimulaw b'suċċess il-lokalità strutturali fl-ispazju tal-karatteristiċi kif ukoll li jimpjegaw ġabra f'reġjun ta 'frekwenza preġudikata biex inaqqsu l-varjazzjoni tat-traduzzjoni u jaġġustaw għal disturbi u bidliet żgħar fl-ispazju tal-karatteristiċi [22]. Mukhamadiyev et al. ippropona mudell ta 'rikonoxximent tad-diskors tal-mudell ta' Markov moħbi minn tarf sa tarf tan-netwerk newrali fond u netwerk ta 'attenzjoni ta' klassifikazzjoni temporali connectionist (CTC) ibridu għal-lingwa Uzbeka u d-djaletti tagħha. L-approċċ propost inaqqas il-ħin tat-taħriġ u jtejjeb il-preċiżjoni tar-rikonoxximent tad-diskors billi juża b'mod effettiv il-funzjoni oġġettiva CTC fit-taħriġ tal-mudell tal-attenzjoni [23]. L-estrazzjoni u l-klassifikazzjoni tal-karatteristiċi bl-użu ta 'mudell ta' netwerk newrali konvoluzzjonali ta 'dimensjoni waħda (CNN), li jaqsam is-sinjali tal-ħoss tal-qalb f'normali u anormali direttament indipendenti minn elettrokardjogramma (ECG), ġiet proposta f'[24]. Huma jsostnu li l-eżattezza tal-klassifikazzjoni hija ogħla fis-CNN 1D milli fis-CNN 2D għas-sinjali tal-ħoss tal-qalb użati f'dan l-istudju meta l-qalba tal-konvoluzzjoni hija inqas minn 52 minħabba li qalba tal-konvoluzzjoni kbira tista 'twassal għal kumplessità komputazzjonali u tieħu dejjem aktar ħin. . Fi [25], netwerk newrali profond ġie mħarreġ biex timmassimizza l-eżattezza posterjuri tas-sekwenzi tal-istat ta 'mudelli akustiċi li jikkonċernaw is-sekwenzi tal-karatteristiċi tad-diskors bl-użu tad-database TIMIT (TIMIT Acoustic-Phonetic Continuous Speech Corpus).

3. Ipproċessar minn qabel: Ħarsa ġenerali tal-Materjal

Suppliment Cistanche qrib me-Titjib tal-Memorja

Għal dan il-għan, l-iżvilupp ta 'algoritmi rapidi għall-estrazzjoni ta' parametri ta 'karatteristiċi minn sinjali tad-diskors u rappreżentazzjonijiet parametriċi, l-estrazzjoni ta' kampjuni utli u informattivi għall-ipproċessar, u l-iżvilupp ta 'programmi għall-implimentazzjoni ta' spettrogrammi ta 'segmenti akustiċi magħżula huma indispensabbli.

Is-sistemi ta’ rikonoxximent tad-diskors jikkonsistu f’żewġ sottosistemi ewlenin:

L-ipproċessar primarju tas-sinjali tad-diskors (fonogramma);

Il-klassifikazzjoni ta 'simboli akustiċi bl-użu ta' algoritmu intelliġenti (spettrogramma).

L-ewwel subsistema tiġġenera simboli akustiċi bħala sett ta 'proprjetajiet akustiċi informattivi tas-sinjali u l-karatteristiċi tas-sinjali. It-tieni subsistema tikkonverti s-sinjal tad-diskors f'forma parametrika bbażata fuq il-karatteristiċi akustiċi miksuba. L-ipproċessar tas-sinjali tad-diskors jikkonsisti fl-istadji li ġejjin:

Separazzjoni tal-konfini tas-sinjal tad-diskors;

Iffiltrar diġitali;

Segmentazzjoni;

Applikazzjoni ta 'tieqa lixxa;

Trasformazzjoni spettrali, u normalizzazzjoni ta 'frekwenzi spettrali.

Dawn il-passi jintużaw b'mod estensiv biex jiġu estratti parametri tal-karatteristiċi minn sinjali tad-diskors, u l-karatteristiċi ewlenin tagħhom huma kkunsidrati f'dan li ġej.

3.1. Separazzjoni ta' Konfini

L-estrazzjoni ta' partijiet biss tad-diskors mis-sinjal li jkun dieħel jew id-determinazzjoni tal-mumenti tal-bidu u tat-tmiem ta' sentenza f'ambjent storbjuż huwa kompitu essenzjali fl-ipproċessar tad-diskors. Il-proprjetajiet li ġejjin tas-sinjal tad-diskors jintużaw biex issolvi din il-problema: l-enerġija għal żmien qasir tas-sinjal tad-diskors, in-numru ta 'punti li jaqtgħu f'żero, id-densità tad-distribuzzjoni tal-valuri tal-qasam tas-silenzju fi ħdan is-sinjal, u l- entropija spettrali. Is-sistemi tradizzjonali ta' rikonoxximent tad-diskors jużaw tekniki li huma bbażati fuq l-enerġiji temporanji u spettrali ta' sinjal (eż. skoperta ta' attività tal-vuċi) biex jiddeterminaw il-konfini tad-diskors minn sinjali tad-diskors li jidħlu [26–28].

Il-parametri ewlenin tas-sinjal tad-diskors huma l-enerġija għal żmien qasir tas-sinjal tad-diskors u n-numru ta 'punti li jgħaddu minn żero. Bħala regola, il-parametri ta 'sinjal ta' diskors jinbidlu malajr maż-żmien; għalhekk, hija drawwa li sinjal ta' diskors jiġi pproċessat fi frammenti ta' 10 sa 30 ms fit-tul li ma jikkoinċidux. Is-sinjal tad-diskors huwa stazzjonarju f'din il-medda, u żoni ta 'silenzju fis-sinjal tad-diskors jitneħħew billi tiġi kkalkulata l-enerġija temporanja. L-algoritmu għas-soluzzjoni ta 'din il-problema huwa maqsum f'N sekwenzi ta' 256 valuri ta 'enerġija għal żmien qasir tas-sinjal tad-diskors li jmiss.

Il-kalkolu tal-enerġija ta 'kull framment billi jiġi diviż is-sinjal tad-diskors huwa xieraq għall-kompjuters paralleli u distribwiti. Kull framment jiġi pproċessat b'mod indipendenti. Jekk l-ipproċessar jiġi applikat f'multiproċessur n-core, ikun possibbli li tiġi kkalkulata l-enerġija ta 'n frammenti simultanjament. Għalhekk, huwa possibbli li tiżdied l-effiċjenza tal-ipproċessar parallel matul dan l-istadju [29-32].

3.2. Numru ta' Qsim Żero

Żero-crossing huwa punt li fih is-sinjal ta' funzjoni matematika jinbidel (eż., minn pożittiv għal negattiv), li huwa rappreżentat b'interċettazzjoni tal-assi (valur żero) fil-graff tal-funzjoni [33]. Il-frekwenza żero-crossing f'sinjal tista 'tkun l-aktar indikatur sempliċi tal-proprjetajiet spettrali tiegħu. Pereżempju, in-numru ta' punti li jgħaddu minn żero f'sinjal tad-diskors jista' jiġi determinat bl-użu tal-ekwazzjoni li ġejja:

Figura 1. Metodu ta 'separazzjoni tad-diskors ibbażat fuq analiżi ta' entropy spettrali.

3.3. Iffiltrar Diġitali

Minbarra sinjal tipiku u utli, diversi tipi ta 'storbju huma preżenti. Billi l-istorbju jaffettwa b'mod negattiv il-kwalità tas-sistemi ta' rikonoxximent tad-diskors, it-trattament tal-istorbju huwa kwistjoni urġenti. Żewġ tipi ta 'filtri diġitali huma użati biex inaqqsu l-livelli ta' storbju fis-sistema: filtru tal-linja u filtru inizjali. Filtru lineari jista 'jitqies bħala kombinazzjoni ta' filtri ta 'frekwenza baxxa u għolja peress li jaqbad il-frekwenzi baxxi u għoljin kollha. L-iffiltrar inizjali huwa applikat biex jimminimizza l-impatt tad-disturbi lokali fuq il-marki karatteristiċi li jintużaw għall-identifikazzjoni sussegwenti. Sinjal tat-taħdit irid jiġi mgħoddi minn filtru low-pass għall-allinjament spettrali [35].

3.4. Segmentazzjoni

Is-segmentazzjoni hija l-proċess ta 'qsim ta' sinjal ta 'diskors fi frammenti diskreti, li ma jikkoinċidux. Is-sinjal huwa normalment maqsum f'unitajiet ta 'diskors bħal sentenzi, kliem, sillabi, fonemi, jew saħansitra unitajiet fonetiċi iżgħar. Is-segmentazzjoni ta' reġistrazzjonijiet li fihom il-kelliema ta' bosta kelliema tista' tikkonsisti fl-attribuzzjoni ta' biċċiet ta' kliem lil kelliema partikolari. It-terminu "stazzjonijiet tas-segment" kultant jintuża biex jirreferi għal diviżjoni tas-sinjal tad-diskors f'frejms qabel il-parametrizzazzjoni tiegħu [36,37].

3.5. Trasformazzjoni Spettrali

Huwa meħtieġ li ssir distinzjoni bejn il-karatteristiċi ewlenin tas-sinjali tad-diskors li jintużaw fl-istadji ta 'wara tal-proċess ta' rikonoxximent tad-diskors. Il-karatteristiċi inizjali huma determinati billi jiġu analizzati l-proprjetajiet spettrali tas-sinjali tad-diskors. L-algoritmu veloċi tat-trasformazzjoni ta 'Fourier huwa komunement użat biex tinkiseb il-frekwenza spettrali ta' sinjal tad-diskors [38,39].

3.6. Normalizzazzjoni tal-Frekwenzi Spettrali

Il-proċess komputazzjonali kollu f'algoritmi intelliġenti huwa bbażat fuq numri deċimali li jiċċaqilqu. Għalhekk, il-parametri tal-oġġetti li huma kklassifikati bl-użu ta' netwerks newrali huma limitati għall-medda [{{0}}.0, 1.0]. L-ispettru li jirriżulta huwa normalizzat bejn 0 u 1 biex jiġi applikat l-ipproċessar spettrali bl-użu tan-netwerk newrali. Biex jinkiseb dan, kull komponent tal-vettur huwa maqsum fil-komponenti massimi tiegħu.

Metodi ta' pproċessar spettrali jippermettu l-użu tal-kampjuni tad-dejta kollha li jinkisbu mis-sinjal tad-diskors. Ħafna sinjali tad-diskors għandhom struttura ta 'frekwenza speċifika u proprjetajiet spettrali. Metodi spettrali jipprovdu ipproċessar ta 'preċiżjoni għolja tas-sinjali tad-diskors. L-iżvantaġġi tal-ipproċessar spettrali jinkludu flessibbiltà baxxa fil-karatteristiċi lokali tas-sinjali, nuqqas ta 'dimensjonijiet spettrali, u spejjeż ta' komputazzjoni relattivament għoljin.

It-trasformazzjoni Fourier, l-analiżi tal-wavelet, u ħafna algoritmi oħra jintużaw b'mod estensiv fl-ipproċessar spettrali tas-sinjali tad-diskors. It-trasformazzjoni Fourier tintuża f'ħafna oqsma tax-xjenza, inkluż l-ipproċessar tad-diskors. Fl-ipproċessar tas-sinjal tad-diskors, it-trasformazzjoni Fourier tikkonverti s-sinjal mill-kamp tal-ħin għall-kamp spettrali bħala komponent tal-frekwenza [40].

Fi studji preċedenti, trasformata Fourier diskreta (DFT), trasformazzjoni tal-kosinju diskreta (DCT), trasformazzjoni Fourier għal żmien qasir u trasformazzjoni wavelet ġew applikati għall-analiżi spettrali. Dawn il-metodi ntużaw biex jittrasformaw frammenti ta 'sinjal tad-diskors fid-dominju tal-frekwenza u jikkalkulaw l-ispettru. Il-pakketti TBB u OpenMP intużaw biex jinħolqu algoritmi paralleli għal trasformazzjonijiet spettrali. F'dawn il-metodi, il-kmand jaqsam is-sinjal f'frejms; pereżempju, N=16, 32, …, jew 4096 għal kull qafas [4]. Id-daqs ta 'kull qafas maħluq huwa ugwali għad-daqs tal-blokk tal-memorja cache minħabba li l-memorja cache hija fattur li jaffettwa l-effiċjenza tal-ipproċessar parallel. Ir-riżultati tal-aċċelerazzjoni huma murija f'Figue2.

Figura 2. Riżultati ta' aċċelerazzjoni għal (a) proċessuri b'erba' u (b) tmien qalba.

Għall-implimentazzjoni tas-softwer tal-algoritmi tal-ipproċessar paralleli, l-ipproċessar serjali u paralleli saru fuq proċessuri ta 'erba' u tmien qalba, li ġew applikati bl-użu ta 'kompjuters u servers personali, kif elenkat fit-Tabella 1.

Tabella 1. Karatteristiċi tal-proċessuri Intel.

Il-karatteristika ewlenija tal-algoritmu DCT hija l-perjodiċità. Vantaġġ tad-DCT huwa li għandu t-tendenza li jikkonċentra l-biċċa l-kbira tal-enerġija tas-sinjal fuq numru żgħir ta 'fatturi. L-ekwazzjonijiet li ġejjin jipprovdu l-elementi tal-matriċi tal-koeffiċjent:

fejn L(k) huwa l-valur tad-DCT, k huwa indiċi tal-koeffiċjenti, x(n) jirrappreżenta oġġetti tad-dejta, u N huwa d-daqs tal-qafas.

Il-parametri tal-analiżi Fourier huma l-bażi tal-metodi li huma użati biex jiġġeneraw vettori tal-karatteristiċi fil-biċċa l-kbira tas-sistemi ta 'rikonoxximent tad-diskors fl-ipproċessar diġitali tas-sinjali tad-diskors fi ħdan id-dominju spettrali. Koeffiċjenti ċestrali tal-frekwenza Mel (MFCCs) [41] u tekniki ta 'kodifikazzjoni ta' tbassir lineari (LPC) [42,43] huma użati fl-analiżi Fourier biex jiġġeneraw immaġini tal-ispettrogrammi minn sinjali tad-diskors. L-ispettri li jinkisbu permezz tal-analiżi Fourier jipprovdu informazzjoni konċiża u preċiża dwar sinjal tad-diskors, kif muri fil-Figura 3.

Figura 3. DFT: (a) bidla fil-firxa tal-frekwenza fil-qasam tal-ħin u (b) spettrogramma.

Sinjali bidimensjonali (2D) intużaw għall-analiżi spettrali fl-esperimenti. Il-karatteristiċi tal-analiżi spettrali 2D li jintużaw f'algoritmi ta' pproċessar ta' immaġini paralleli huma adattati għall-ipproċessar parallel fi proċessuri multicore [38]. B'mod partikolari, il-vettori u l-matriċi tat-trasformazzjoni bil-quddiem u inversa għandhom dimensjonijiet binarji, u l-kompatibilità ta 'din l-arkitettura tal-proċessur multicore tista' żżid b'mod effettiv il-veloċità tal-komputazzjoni. Għalhekk, applikajna ipproċessar sekwenzjali u parallel fuq kompjuter b'karatteristiċi ta 'proċessur differenti għall-implimentazzjoni tal-hardware tal-algoritmi li ntużaw għall-ipproċessar ta' sinjali 2D (Tabella 2)

Tabella 2. Karatteristiċi tal-applikazzjoni tal-proċessuri Intel.

Is-sinjal 2D kollu kien maqsum fi frammenti identiċi ta 'daqsijiet differenti f'kull stadju [44]. Il-valuri tal-frammenti magħżula kienu bejn ir-riżoluzzjonijiet tal-pixels ta '16 × 16 u 1024 × 1024. Il-veloċità tal-algoritmu DCT parallel li juża l-pakkett OpenMP meta mqabbel ma' dak tal-algoritmu sekwenzjali huwa ppreżentat fil-Figura 4 L-użu ta 'analiżi spettrali 2D parallela algoritmu fuq proċessuri multicore jagħti riżultat ta 'overclocking li huwa qrib in-numru ta' cores.

Figura 4. Riżultati ta 'aċċelerazzjoni għal analiżi spettrali parallela 2D.