поскольку дает усредненные коэффициенты для всего исследуемого
сигнала.
Для выполнения анализа нестационарного процесса необходимо
использовать базисные функции, имеющие способность выявлять в
анализируемом сигнале как частотные, так и его временные характери-
стики. Другими словами, сами функции должны обладать свойствами
частотно-временной локализации.
В большей степени перечисленным требованиям отвечают
вейвле-
ты
и, соответственно, математическим методам анализа —
вейвлет-
преобразование.
Обработка речевых сигналов с использованием вейвлет-пре-
образования.
В последние годы вейвлеты находят широкое приме-
нение при фильтрации, предварительной обработке и синтезе раз-
личных сигналов, решении задач сжатия и обработки изображений.
Вейвлеты были предложены математиками и по существу являют-
ся новыми математическими понятиями и объектами. Особенно важ-
на принципиальная возможность вейвлетов представлять нестацио-
нарные сигналы [6]. Все большее число специалистов по цифровой
обработке сигналов убеждаются в том, что преобразования Фурье в
классическом виде не обеспечивают необходимую точность предста-
вления нестационарных сигналов, к которым, в частности, относятся
речевые сигналы. Значительный интерес представляют утверждения
о том, что вейвлет-спектрограммы намного более информативны, чем
обычные фурье-спектрограммы, и в отличие от последних позволяют
выявлять тончайшие локальные особенности акустических сигналов.
На рис. 2 приведена структура представления сигнала при использова-
нии вейвлет-преобразования и преобразования Фурье. Очевидно, что
вейвлет-преобразование отличается более сложной и гибкой структу-
рой обработки.
Рис. 2. Структура представления сигнала при вейвлет-преобразовании (
a
) и при
преобразовании Фурье (
б
)
ISSN 0236-3933. Вестник МГТУ им. Н.Э. Баумана. Сер. “Приборостроение”. 2011. № 3 81
