Помощь в учёбе, очень быстро...
Работаем вместе до победы

Апостериорные алгоритмы распознавания квазипериодических последовательностей

Диссертация: Апостериорные алгоритмы распознавания квазипериодических последовательностей
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Проблема обработки несинхронизироваиных импульсных последовательностей характерна для многих приложений. В системах радиолокации, например, совокупность импульсов может использоваться для принятия решения «свой-чужой*, а в системах медицинской ж технической диагностики — для. установления заболевания и прогнозирования неисправностей, В системах передали речи ж? каналам связи зачастую требуется… Читать ещё >

Содержание

  • Глава 1. Сущность и особенности проблемы распознавания числовых квазипериодических последовательностей
    • 1. 1. Содержательная постановка задачи
    • 1. 2. Специфика задачи классификации
    • 1. 3. Особенности задачи обучения
    • 1. 4. Выводы
  • Глава 2. Классификация квазипериодических яоследовател ьностей
    • 2. 1. Постановка задачи
    • 2. 2. Задача классификации последовательности как задала проверки гипотез о среднем
    • 2. 3. Функция правдоподобия и целевая функция
    • 2. 4. Алгоритм совместного распознавания и обнаружения
    • 2. 5. Временная и емкостная сложность алгоритма
    • 2. 6. Границы вероятности ошибки распознавания
    • 2. 7. Численное моделирование и анализ результатов. .. 50 2.8. Выводы
  • Глава 3. Восстановление подпоследовательности ко квазилериоднческим данным
    • 3. 1. Постановка задачи
    • 3. 2. Ограничения на число полных импульсов в анализируемом кадре
    • 3. 3. Критерий решения задачи обучения
    • 3. 4. Алгоритм обучения при заданном числе импульсов
    • 3. 5. Временная и емкостная сложность алгоритма обучения при заданном числе импульсов
    • 3. 6. Алгоритм обучения при неизвестном числе импульсов
    • 3. 7. Временная и емкостная сложность алгоритма обучения при неизвестном числе импульсов
    • 3. 8. Численное моделирование
    • 3. 9. Выводы
  • Глава 4. Применение разработанных алгоритмов к решению некоторых задач автоматической обработки сигналов
    • 4. 1. Очистка, речевых сигналов от квазипериодической помехи
    • 4. Л.1. Постановка задачи
    • 4. Л.2. Критерий решения задачи
      • 4. 1. 3. Алгоритм очистки
      • 4. 1. 4. Экспериментальные результаты
      • 4. 2. Инструментальная система для обработки и анализа речевых сигналов
      • 4. 2. 1, Краткое описание системы
      • 4. 2. 2. Разметка (маркировка) речевых сигналов
      • 4. 3. Выводы

Апостериорные алгоритмы распознавания квазипериодических последовательностей (реферат, курсовая, диплом, контрольная)

Актуальность темы

Проблема обработки несинхронизироваиных импульсных последовательностей характерна для многих приложений. В системах радиолокации, например, совокупность импульсов может использоваться для принятия решения «свой-чужой*, а в системах медицинской ж технической диагностики — для. установления заболевания и прогнозирования неисправностей, В системах передали речи ж? каналам связи зачастую требуется подавление импульсных помех и т.н. Повышение эффективности подобных систем является важной практическойзада. чей, С этой' задачей связаны задали иовм-г^лчрч» ^т^ *>*уг'ррлЯРА^Г-трпи 1? Т’т|^пугТ0ЙЧйВОСТИ аЛШрИТМОВ С о «ч е I» с*г** «I (>"• 1 1, &bdquo-и 5ч последовательностей. ч* > * ^» * ««' 5, <�» * «г >* и я местных моментах вре-> < ч «и * и.» * 1 рч ^ «, ! 1 < > чос! I алгоритмов решения.

I 1 «, 'И'»,. ^ и1' < ¡-Ъ ««» тъностей. мх точность, I Ч и '^/и и, 1 1 ' А, ?3 возможных алриор

1, ' < * * ч -^и «-1 < мл ззше о том, что момен-» х*"м * 1 я. ! и ' л н | а 14 «й совокупности — неизвестные детерминированные величины, причем промежутки времени между началами соседних импульсов лежат б некотором заданном интервале. Исходя мч физических соображений, подобную совокупность импульсов можно ммтернретировать как. жвазшериодмческую последовательность? а дискретные отсчеты такой импульсной тгоследова.

Ц ¦ 1 1 IV! > Ч > >"| Ц 5 I к Т 'Г } «» «<

Д г Т ¦ < ', П (и Ьч к Я, ** 1 щ 1У> ЧгЬ Ч ! * Х" V «о * «(«Ч^ < гА П<| 1 и <1 > К < >И 4» 1, Ч|Д 1 МИ. и ¡-'Ы V И >! 'ч ¡-н л. с 1С 1 > пг>л — с* ее ' «.л г* • >» (щ*' >г / («%к '.

I % к г ь ' г -" 1 1 |, с ?

I >1 — I Чк т > ч 'Л, < ' 4 ^ /кг <1 ч? ' * 1 Ду и?" и Оч. VI, V ' I, А ч > ' х-" а <�" Ч? ?^ 6 ч Г< и > «V5 п< Н К «X «ГИ * 1 < Г «Ц < Ч.

П ^ ! 1*1 Т (', ? 4*" «» ¡-п? р г г г ', 1 !

V > 011.,, ч, < г I" | 1 | .4 е * я ' «*<, у>о< 4 4 < - 1 !, + 4 I. <- 8» «Ь 1л4 1 лг1 Со «. ~ а ' I' «а.

Дс, ш И йсисдозаши." Цч-ЛЬдЗМ.Ч, Л>>.€л ся разработка ж исследование апостериорных вычислительных алгоритмов распознавания числовых квазишериодяческих последовательностей.

Для достижения цели решаются следующие задачи;

— анализ подходов к решению проблемы распознавания квазипериодических последовательностей;

— разработка и исследование алгоритмов (обучения и классификации). обеспечивающих распознавание квазипериодических последовательностей;

— полу чение границ вероятности ошибки распознавания;

— анализ временной м емкостной сложности разработанных алгоритмовчисленное моделирование и применение разработанных, алгоритмов для решения прикладных задач.

Методы исследований опираются на аппарат теории вероятностей. математической статистики, теоретической кибернетики, а также математическое моделирование.

Работа является частью общего направления исследований по разработке методов и вычислительных алгоритмов обработки квазинери-одических последовательностей, развиваемого Кельмановым A.B. Научная новизна работы состоит б следующем, 1. В работе получены приоритетные результаты по решению проблемы распознавания числовых квазинермодмческих последовательностей. включающих одинаковые подпоследовательности, ориентированные на обработку данных в условиях, когда моменты времени яа~ чала подпоследовательностей — неизвестные детерминированные величины. Этими результатами являются решения двух новых, ранее не исследованных задач:

1) решение задачи классификации квазияериодических последовательностей, вкл юч ающее:

— точный вычислительный алгоритм, обеспечивающий принятие решения по критериям Вайеса и максимального правдоподобия за полиномиальное время с линейными затратами по памяти, выражения для верхней и нижней границ вероятности ошибки распознавания, а также оценки временной и емкостной сложности алгоритма, увязанные с параметрами задачи;

2) решение задачи восстановления подпоследовательности, порождающей квазипериодическую последовательность, включающее:

— приближенный вычислительный алгоритм, обеспечивающий сближение оценок членов подпоследовательности с оценками максимального правдоподобия за полиномиальное время с линейными затратами по памяти,.

-•• оценки временной и емкостной с, ложности алгоритма, связанные с параметрами задали.

2. Созданы новые средства речевых информационных технологий, включающие алгоритмическое и программное обеспечение для: 1) очистки речевых сигналов от квазмнериодичеошх импульсных помех, что дает возможность эффективно восстанавливать речевые сшччалы? утратившие разборчивость;

Т) сегментация речевых сигналов на квазипериодичесжие участки., что позволило создать синтезатор русской речи яо тексту, генерирующий сигнал, близкий к естественному, но назурадьносхи речи. Практическая цеянос’гь результатов работы соектт и 'шм, что найденные решения тдзч, а также предложенное алгоритмическое и программное обеспечение может быть использовано для создания белее совершенных продуктов в облает?! обработки сигналов различной природы, & частности, для автоматической обработки речевых сигналов. Научные результаты, полученные в диссертаиии, внедрены б в/ч 45 807-Э,.

Стгзь с гасударствеипммн программами и НИР. Работа вы-поЛ№Я<�Х .6 рамках проектов № 94-О]~О0169~а (Ш4~1996гг){ № 37−07−30 302 — Ш77Р.99мт) и № 97−01−866 (Ш7-Ш9гг>, поддержанных РФФИ, Результаты джхертал. шшно?-! работы в в"де алгоритмического к тгро-граммного обеепечемш! для сч. истки речевых сигналов от помех Рыли использованы яри въш^лтнш Н’ЙР по тем" «ЧИНАРА-СО» (1994;199вгтр которая проводилась по постановлению правительства РФ в соответствия с планом МО РФ.

Апробация работы. Основные положения работы докладывалась на Второй м Третьей Всероссьгйскнх конференциях РРаглюзнава-яме образов и анализ изображений: новые информационныетехнологии" !.РОАИ~У-95- г. Ульяткчвск. 1995 г. РО А. И-3−97, сНижка? Новгород, 1997 п) — Седьмой к Восьмой Всероссийских конференциях «Математические методы распознавания обра-зов» (ММРО-7. ММРО-8, г. Москва. 1995, 1397 гг.}- Втором. Сибирском конгрессе, но Прикладной и Индустриальной Математике (ИНПРИМ~У6*, г-Новосибирск, г, Результаты работы обсуждались нанаучных семинарах йнстштта математики Сибирского отделения РАН, Института вычислительной математики и математической геофидики Сибирского отделения РАН,.

Вошеибирсжого 1 осударетвеннсго университета. у,.

Личный вклад. Выносимые на защиту результаты получены сооискателем лично. В опубликованных совместных работах участке автора заключалось в разработке и исследовании алгоритмов, их программной реализации и численном моделировании.

Создание и внедрение прикладных разработок осуществлено сотрудниками Института математики СО РАН при непосредственном участии соискателя.

Публикации. По теме диссертации опубликовано 18 работ, включая 3 отчета, но научно-исследовательским работам. На защиту выносятся:

1. Совокупность результатов, но решению проблемы распознавания числовых квазипериодических последовательностей, содержащая:

— точный апостериорный вычислительна алгоритм решения задачи статистической классификации, включая оценки его временной и емкостной сложности, а также оценки сверху и снизу для вероятности ошибочной классификаций;

— приближенный вычислительный алгоритм апостериорного типа для решения задачи восстановления подпоследовательности по искаженным данным (задачи обучения) вместе с оценками его временной и емкостной сложности.

2. Комплекс научно-технических средств в составе действующих систем обработки (•СВреесЬЬаЬ>') и синтеза (<�СТекстофон>) речевых сигналов, разработанных в Институте математики СО РАН, включающий:

— алгоритмическое и программное обеспечение подсистемы очистки речевых сигналов от квазипериодических импульсных помех, позволяющее восстанавливать сигналы, утратившие разборчивость;

— новое конструктивное решение подсистемы сегментации и маркировки речевых сигналов, позволившее улучшить естественность синтезированной устной речи.

Объем и структура работы. Диссертационная работа изложена на 126 страницах и состоит из введения, четырех глав, заключения и двух приложений. Основной текст занимает 107 страниц, приложения 6 страниц. Иллюстративный материал включает 29 рисунков.

Список литературы

состоит из 165 наименований.

4.3. Выводы.

Данная глава посвящена вопросам практического использования разработанных алгоритмов при решении следующих задач автоматической обработки сигналов: 1) задачи очистки речевого сигнала от аддитивной квазипериодической импульсной помехи- 2) для автоматической разметки речевых сигналов, необходимой для управления мелодическим контуром синтезированной речи.

В 1 параграфе предложен новый алгоритм выделения или детектирования полезного (речевого) сигнала из смеси с аддитивной квазипериодической помехой. Приведенное решение задачи опирается на, результаты главы 2 и относится к алостериорно-последовательным методам решения подобных задач, т. е. к методам обработки сигнала, в режиме скользящего кадра фиксированной длины. Для очистки сигнала в каждом последовательном кадре используется критерий минимума квадрата евклидова расстояния между наблюдаемым вектором и вектором помехи на, множестве всевозможных векторов, компоненты которых образуют квазипериодические импульсные последовательности. Данный критерий является оптимальным, если речевой сигнал рассматривать как некоррелированный гаус-совский процесс с нулевым математическим ожиданием и конечной дисперсией. Несмотря на то, что подобная модель речевого сигнала является довольно упрощенной, она вполне приемлема для практики.

В работе показано, что минимизация квадрата евклидова расстояния эквивалентна нахождению экстремума аддитивной целевой функции с ограничениями в виде линейных неравенств и, таким образом, для подавления квазипериодической помехи можно воспользоваться результатами 2 главы. Для обеспечения обработки наблюдаемого временного ряда в режиме скользящего кадра решена задача выбора оптимальной длины кадра, установлено правило сдвига анализируемого кадра, реализованы три варианта стыковки результатов обработки соседних кадров. В работе приведены оценки трудоемкости алгоритма, увязанные с параметрами задачи.

Работоспособность алгоритма подтверждена результатами численного моделирования и обработкой зашумленных речевых сигналов. Алгоритм позволяет восстанавливать речевые сигналы полностью утратившие свою разборчивость из-за наличия аддитивной квазипериодической помехи и, кроме того, может использоваться для скрытой передачи речи по каналам связи. Алгоритм внедрен в В/Ч 45 807-Э.

Во 2 параграфе дано краткое описание разработанной в Институте математики СО РАН инструментальной системы <�СЗреесЬЬаЬ^> для обработки и анализа речевых сигналов, в которой задействованы разработанные автором алгоритмыописаны результаты применения алгоритма восстановления подпоследовательности для сегментации и маркировки речевых сигналов, использовавшихся в речевом синтезаторе ^Текстофон1″, созданном в Институте математики СО РАН. Применение данного алгоритма позволило создать синтезатор русской речи по тексту, генерирующий сигнал, близкий к естественному по натуральности речи.

Разработанное алгоритмическое и программное обеспечение может быть использовано в разнообразных приложениях, связанных с автоматической обработкой и распознаванием несинхронизированных по времени данных.

ЗАКЛЮЧЕНИЕ

.

1. Из множества проблем обработки данных в работе выделена актуальная проблема распознавания квазипериодических последовательностей и выявлена особенность этой проблемы: необходимость решения с каждой кз классических задач — классификации и обучения — задали обнаружения моментов разладки квазипериодической последовательности,.

2. Поскольку вопросы распознавания квазипериодических последовательностей ранее не были изучены, в работе «проведены: соответствующие исследования. При этом получены приоритетные результаты, ориентированные на обработку данных в условиях, когда моменты времени начала подпоследовательностей — неизвестные детерминированные величины. К этим результатам относятся решения двух новых, ранее не исследованных задач:

1) классификации квазипериодических последовательностей, включающее:

— точный вычислительный алгоритм, обеспечивающий принятие решения, но критериям Байеса и максимального правдоподобия за полиномиальное время с линейными затратами по памяти,.

— выражения для верхней и нижней границ вероятности ошибки распознавания, а также оценки временной и емкостной сложности алгоритма, увязанные с параметрами задачи;

2) восстановления подпоследовательности, порождающей квазипериодическую последовательность, включающее:

— приближенный вычислительный алгоритм, обеспечивающий сближение оценок членов подпоследовательности с оценками максимального правдоподобия за полиномиальное время с линейными затратами по памяти.

— оценки временной и емкостной сложности алгоритма, связанные с параметрами задачи.

3. Найденные решения позволили создать новые средства речевых информационных технологий, включающие алгоритмическое и программное обеспечение для:

1) очистки речевых сигналов от квазипериодических импульсных помех, которое дает возможность эффективно восстанавливать речевые сигналы, утратившие разборчивость;

2) сегментации речевых сигналов на, квазипериодические участки, которое позволило создать синтезатор русской речи по тексту, ге.

Показать весь текст

Список литературы

  1. С .А., Вежаева З. Й., Староверов О. В. Классификация многомерных наблюдений -М.:Статистика, 1 974 240с.
  2. М.М. Проблема узнавания.-М.:Наука,'1967−320с.
  3. В.Н., Червоненкис С. А. Теория распознавания образов. Статистические проблемы обучения.- МлНаука, 1974.--415с.
  4. А.А., Скринкин В. А. Методы распозиавания.-М. :Высжаяшкола, 1984.-208с.
  5. Р., Харт П. Распознавание образов и анализ сцен.- МлМир, 1976.-511с.
  6. Ю.А., Камилов М. М. Алгоритмы вычисления оценок и их и рименение .-Ташкент: Фан, 1974.-190с.
  7. Ю.А., Экстремальные алгоритмы в математических моделях для задач распознавания, ж классифижацжи //Докл. АН СССР.-М: Н аука, 1976.-Т. 231 .-№ 3.-с.532−535.
  8. Н.Г. Методы распознавания и их применение- М,:Сов.радио, 1972.-207с.
  9. Н.Г. Прикладные методы анализа данных и знаний Новосибирск: Изд-во ИМ, 1999.-270с.
  10. В.Д. Математические методы распознавания образов.-Свердловск: Изд-во Ур. ГУД982.-83с.
  11. Ту Дж., Гонсалес Р. Принципы распознавания образов.- М.:Мир, 1978.-416с.
  12. Фу К. Структурные методы в распознавании образов.- М.:Мнр, 1977.-319с.
  13. Я.З. Основы теории обучающих систем.- М.:НаукаД970.252с.
  14. С .А., Бухштабер В. М., Енюков И. О., Мешалкин Л .Д.
  15. Прикладная статистика: Классификация и снижение размерности .-М.гФинансы и статистик а, 1989.-60 8с.
  16. Т. Введение в многомерный статистический анализ.-М.:Физматгиз, 1963.-500с.
  17. В.H. Восстановление зависимостей по эмпирическим дан-ным.-М.: Наука, 1979 .-448с.
  18. И.С. Методы, алгоритмы, программы многомерного статистического анализа.-М.?Финансы и статистика,!986 .-232с.
  19. Э.А. Основы теории распознавания образов. М.:Сов. радио, 1980.-408C.
  20. К. Введение в статистическую теорию распознавания образов.~М.:Наука, 1979.-367с.
  21. P.A. О сравнении поточечной и групповой классификации в случае многомерного распределения //Статистические методы.-Пермь, 1982.-е. 3.(Перм. ун-т).
  22. P.A., Лумельский Я .П. Несмещенные оценки и задачи классификации многомерных нормальных совокупностей //Теория вероятностей и ее применения-1980.-№ 2,-с.381~389.
  23. P.A., Лумельский Я IL Статистическая групповая классификация- Пермь, 1987.-92с.(Перм. ун-т).
  24. P.A. О групповом подходе в распознавании образов //IV Всес.конф. «Мат. методы распознавания образов» (MMPO-IV): Тез. докл.-Рига, 1989.-Ч. 1.-С.З-5.
  25. В.И. Групповая классификация многомерных марковских последовательностей //Статистические проблемы управления.- Вильнюс, 198 1 .-ВЫП.50.-С.57.
  26. Клише В. И, Групповая кл ассифмкация серий многомерных наблюдений //Тез.докл. /Перм. ун-т.-Пермь, 1984.-с.81.
  27. P.A. Групповая классификация,. Решающие правила и их характеристикиПермь: йзд-во Перм. уа~та, 1992.~ 219с.
  28. Duncan A.J. Quality control and industrial statistics.- N.Y.i Irwin, 1974.- 992p.
  29. Page E.S. Continuons inspection schemes /YBiometrika.--1954.-Vol.41, .-p.lOG-l 15.
  30. Page E.S. A test for a change in a parameter occiirmg at an unknown point // Biometrika,-1955Vol 42, IN.-p.523−527.
  31. Ashish Sen, Mini S. Srivastava. On multivariate tests for detectingchange in mean //Sankhya.-1973 .-ser.A.-Vol.35Д*2,-р. 173−186.
  32. Ashish Sen, Mini S. Srivastava. Some one-sided test for change in level / /Teclmometrics.-1975 .-Vol. 17 1 .-p.61−64.
  33. Ashish Sen, Mini S. Srivastava. On tests for detecting change in mean //Ann. of Stat.-1975.-Vol.3,M.-p.98−108.
  34. Л .И., Моттль В. В. Алгоритм обнаружения моментов изменения параметров уравнения случайного процесса //Автоматика и телемеханика.-197б .-№"б,-с.23~32.
  35. Hinkley D.V. Inference about the change-point from cumulative sum tests //Biometrika.-1971.-Voi.58,M3.-p.509−523.
  36. Hinkley D.V. Time-ordered classification //Biometrika.-1972.-Vol.59, jV*3.-p.509−523.
  37. Johnson R.A., Bagshaw M.L. The effect of serial correlation on the per-fomance ofCUSOM tests. i, H //Tedmometiics.-1974.- Vol. 16,^1.-p.73−80,1975 Vol. 17, JM .-p.103−112.
  38. Johnson R.A., Bagshaw M.L. Sequential procedures for detecting parameter changes in a time-series model //JASA -1977 .-VoL72,N"359 -p.593 597.
  39. И. Определение момента изменения свойств случайной последовательности, описываемой моделью авторегрессии скользящего среднего //Статистические проблемы управления-Вильнюс, 1973-ВЫП.7.-С.65−75 (йн-т физики и математики АН ЛитССР).
  40. И.В. Применение последовательного анализа к процессам авторегрессии //Автоматика и телемеханика-1975.-Л"й8.-с. 174−177.
  41. Й.В. Применение кумулятивных сумм для обнаружения и изменения характеристик случайного процесса //Автоматика и. телемеханика -1979 ~Ng2.-c.48−58.
  42. И.В. Модификация и исследование процедуры кумулятивных сумм //Автоматика и телемеханика.-1980.-^й9.-с.74−80.
  43. Pettit A.N. A simple cumulative sum type statistic for the change point with zerooue observations //Biometrika.-1980-Vol.67,Ksl.-p.79−84.
  44. Cobb W.G. The problem of the Nile- condiyional solution to a change-point problems //Biometrika.-1978.-VoL65,-^2.-p.243−25L
  45. Hinkley D.V. Inference about the change-point in a sequence of? random variables //Biometrika.-1970-Vol.57Д"1.-р.1−17.
  46. Hinkley D.V. inference about the change point in a sequence of binomial variables //Biometrika.-1970.^ol.57,N*3.-p.477−488.
  47. Н.й. Определение момента изменения свойств авторегрессивной последовательности //Техническая кибернетика. Материалы XXII республиканской науч.-техн. конф. Каунас: Каунасский политехи. ин-т, 1972.-е.222−225.
  48. Н.И. Решение задачи об изменении неизвестных параметров последовательности авторегрессии //Литовск. матем. сб.-1973.-т.ХН I ,№ 2 .-с. 217−218.
  49. Н.И. Точное распределение оценки максимального правдоподобия момента изменения параметров авторегрессии //Статистические проблемы управления.- Вильнюс, 1978.-вып-31.-е.9−29 (йн-т математики и кибернетики АН ЛитССР).
  50. Линейка. А. К, Оценка точности момента изменения свойств случайной последовательности //Статистические проблемы управления.-Вильнюс. 1973.-ВЫП.7.-С.76−87 (йн-т физики и математики АН ЛитССР).
  51. Линейка- А, К. Определение изменений свойств последовательностей авторегрессии //Статистические проблемы управления.-Вядышс, 1975 -выи.12.-е.27−41 (Йн-т физики и математики АН ЛитССР).
  52. А.К. Определение моментов изменения свойств авторегрессионной последовательности //Статистические проблемы унра.-вления.-Вйльнюс, 1977.-вып.24.~с.27−71 (йн-т математики и кибернетики АН ЛитССР).
  53. А.К. Об определении моментов изменения свойств авторегрессионной последовательности //Статистические проблемы управления-Вильнюс, 1979.-вып.39.--c.9−23 (йн-т математики и кибернетики АН ЛитССР).
  54. И.К. Определение момента изменения свойств последовательности авторегрессии скользящего среднего //Статистическ иепроблемы упра.вления.-Вжльнюс, 1977.-вын.19.-с.9−27 (йн-т математики и кибернетики АН ЛитССР).
  55. А. Об опенке момента изменения параметров авто регрессионной последовательности //Статистические проблемы управления.&trade- Вильнюс, 1973.-вып.7.-с.19−29 (Ин-т физики и математики АН ЛитССР).
  56. Cbernoff Н", Zacs S, Estimating the current, mean of normal distribution which is subjected to change in time //Ann. Math. Stat., — 1964.-Уо1.35ДаЗ.-р.999−1018.
  57. B.C. Непараметрический метод для апостериорного обяару жения момента «разладки» последовател ьности независимых случайных, величин //Теория вероятностей ж ее применения.- 1976.-т.ХХ1,выпЛ.-с.180−184!
  58. B.C. Бродский Б. Е. Апостериорное обнаружение момента «разладки» случайной последовательности //Теория вероятностей и ее применения.- 1.980.-T.XXV, вып.3.-с.476−489.
  59. В.И., Наумов В. Н. Один адаптивный алгоритм определения изменений характеристик наблюдаемого случайного процесса //Проблемы передачи информацни.~1972.-t.V1I.-c.40−45.
  60. Smith А, F. Bayeeian approach to inference about the change-point in a sequence of random variables? //Biometrika.~1975.-VoL62,K83.-p.407~416.
  61. .Е., Дарховский B.C. Сравнительный анализ некоторых непараметрических методов скорейшего обнаружения момента «разладки» случайной последовательности //Теория вероятностей и ее применения.-1990 -т.XXXV, вып.4.-с.655−668,
  62. .Е., Дарховский B.C. О задаче скорейшего обнаружения момента изменения вероятностных характеристик случайной последовательности //Автоматика и телемеханика.-1983.-Ж81.0 .-с.101−108.
  63. Lordert G. Procedures of reacting to a change in distribution //Ann. Math. Statist.-1971 .-Vol.42Д?б ~p.1897−1908.
  64. Polla, к M., Siegrmmd D. Approximation to the expected sample size of certain sequenyial tests //Ann. Statist.-1975.-Vol.3.-p.l267−1282.
  65. Poliak M. Optimal detection of a change in distribution //Ann. Statist.-1985 .-Vol. 13 Д®- 1 .~p .206−227.
  66. .С. О двух задачах оценивания моментов изменения вероятностных характеристик случайной последовательности //Теория вероятностей и ее применения.-1984.-т.ХХ1Х, вьш.З.-с.464−473.
  67. B.C. Ненараметрический метод оценивания интервалов однородности случайной последовательности //Теория вероятностей и ее применения.-1985.-т.ХХХ?выи.4.-с.795−799.
  68. Willsky A.S. A survey of design methods for failure detection in dynamic systems //Atttomatica, Journal ofIPAC.-1976.-VoL12.-p.601−611.
  69. Л .А. О применении оптимального байесова алгоритма обучения при определении моментов времени изменения свойств случайных сигналов //Автоматика и телемеханика -19б9.-Ха6.-с.52−58.
  70. Gardner L.A. On detecting change in the mean of normal variables //Ann. Math. Statist.-1969.-'о1.40Д51.-p. 116−126,
  71. Hinkley D.V., Hinkley Б .A. Inference about the change-point in a sequence of binomial variables //Biometnka -1970-Vol.57,K"3-p.477−488.
  72. Pettit A.N. A ncm-pai'ainetric approachto the change-point problem //Appl. Statist1979.-Vol .28 Д*2 ~p.126−135.
  73. Клигине 14., Телькснис Л. Методы обнаружения моментов изменения свойств случайных процессов //Автоматика и телемеханика-1983.~Яа10.-с.5−66.
  74. Jones R.H., Crowe! DJHL, Kapimiai L.E. A method for detecting change in a time series applied to newborn BEG //Electroencephalography and Clinical Neurophysiology.-1969.-Vol.27.~ p.436−440.
  75. Jones RiL, Crowell D.H., Kapuniai L.E. Change detection model for seriaiy correlated multivariate data //Biometrics.-1970.-Vol.26,Ks2.-p.269−280.
  76. B.A., Шепените Д. А. Обнаружение изменения параметров процесса, авторегрессии //Тр. АН ЛитССР.-1975.-сер. В.-т.4(89)с.143−147.
  77. ГХреториус. Х. М. Боденштайн Г. Выделение признаков из электроэнцефалограммы методом адаптивной сегментации //ТИИЭЕ-1977 .-т.65 Да5 .-с .59−71.
  78. . A.M. Определение изменения свойств случайных сигналов при неизвестных параметрах этих сигналов //Статистические проблемы управления .-Вильнюс, 1973.- вып. 7.- с. 8 -20 (Ин-т физики и математики АН ЛитССР).
  79. Л., Черняускас В. Определение наиболее вероятного момента изменения характера одного класса, случайных процессов при неполных априорных данных //Материалы науч. конф. молодых ученых Литовской ССР.- Вильнюс, 1967.-с.239−242.
  80. Л .А. Определение наиболее вероятных моментов времени изменения свойств случайных сигналов //Автоиатика и вычислительная техника.~1970.~вын Л .-с.24−27.
  81. Л .А., Черняускас В. Ю. Определение изменений свойств случайных сигналов- //Статистические проблемы управления.- Вильнюс,'1971 -ВЫН.1.-С.9−30 (Ин-т физики и математики АН ЛитССР).
  82. А. Определение изменения состояний стохастической системьгв начале интервала наблюдения //Статистические проблемы управления, — Вильнюс, 1976.-вып. 15.-е. 103−11.6 (йн-т физики и математики АН ЛитССР).
  83. Н.И. Сравнительный анализ оценок момента изменения параметров авторегрессии //Статистические проблемы управления.-Вильнюс, 1980.-вып.44.-с.9−27 (йн-т математики и кибернетики АН1. ЛитССР).
  84. A.M. Определение изменения свойств авторегрессионной последовательности прн неизвестных параметрах //Статистические проблемы управления.- Вильнюс, 1973.-вып.7 -с, 21−39 (йн-т физики и математики АН ЛитССР).
  85. Телькснис Л, А, Изменение параметров распределений случайных процессов методом Вайеса // Теория и практика измерений статистический (вероятностных) характеристик: Материалы I Всес. конф., Ленинград, 1973.-е, 87−96.
  86. А.Н. Статистический носледовательный анализ.- М.: Наука,'1969.-231C.
  87. А.К. Классификация автерегрессионных последовательностей со скачкообразно меняющимися параметрами //Статистические проблемы управления.-Вильнюс, 1978.-вып.30.-с.9−28 (йн-т математики ж кибернетики АН ЛитССР).
  88. Н., Клише В. Исследование локально стационарной модели авторегрессии при помощи информационного критерия АЮ //Статистические проблемы унравления.-Вильнюс, 1979.-вып.39.~с.25−44
  89. Ин-т математики и кибернетики АН ЛитССР).
  90. А. Определение моментов изменения свойств авторегрессионных последовательностей с неизвестными параметрами //Статистические проблемы управления-Вильнюс, 1982.-вып.54.-е.9−27 (йя~т математики и кибернетики АН ЛитССР).
  91. А. Обработка результатов наблюдений при определении изменения свойств случайных сигналов //Статистические проблемы управления.- Вильнюс, 1973.-вып.7.~с.41 -53 (Нн~т физики и математики АН ЛитССР).
  92. B.C., Бродский Б. Е. Апостериорное обнаружение момента «разладки» случайной последовательности //Теория вероятностей ж ее применения.- 1980.-т.ХХ"У, вып.З.-с.476−489.
  93. Wise J.D., Capiio J.R., Parks T.W. Maximum likelihood pitch esti-matkm //IRRR Trans, on acoustics, speech and signal processing-1976 Vol. ASSP-24 Д®-5 (October) .-p.418−423.
  94. АЛ., Беспалова М. Б. Оценка периода следования прямоугольных импульсов с неизвестными амплитудами //Радиоэлектро-ника.--1995 L-c.3−13,
  95. А.Н. Об оптимальных методах в зада, чах скорейшего обнаружения //Теория вероятностей и ее применения.- 1963.-t.VIII, вып. 1.-е. 26−51.
  96. А.Н. Некоторые точные формулы в задаче о «разладке» //Теория вероятностей и ее применения, — 1965.-вьш.2.-с.380−385.
  97. А.Н. Стохастические уравнения нелинейной фильтрации скачкообразных марковских процессов //Проблемы передачи информации- 1966 .-т. 2, выи .3.-е, 3−22.
  98. Ширяев А. Н. Обнаружение спонтанно возникающих эффектов
  99. Докл. АН СССР -1961 -т. 138 J4-с.799−801.
  100. АЛ. Задача, скорейшего обнаружения нарушения стационарного режима //Докл. АН СССР.-1961.-т.1385.-с.1039−1042.
  101. Newbold P.M., Ya Chi Ho. Detection of changes in the characteristics of a Gauss- Markov process //IEEE Trans. Aerospace and Electronic Systems.- 1968.-Vol. AES-45.-p.707−718.
  102. Davis M.H.A. The application of nonlinear filtering to fault detection in linear systems //IEEE Trans. Automat. Control.-1975.-Vol.АС~20Дй2.p.257−259.
  103. И.В. Об оптимальности первого порядка алгоритмаобнаружения разладки в векторном случае //Автоматика и телемеха-ника.-1994.-№ 1.-с.87−105.
  104. В.М., Загоруйко Н. Г. Автоматическое распознаваниеограниченного набора устных команд //Вычислительные системы.-Новосибирск 51 969 .-вып .36. -с Л 01−110.
  105. ПО. Винцюк Т. К. Распознавание слов устной речи методами динамического программирования //Кибернетша.-1968.~№ 1.-с.$ 1−88.
  106. Т.К. Анализ, распознавание и смысловая интерпретация речевых сигналов.- Киев: Наукова думжа, 1987.-262с.
  107. X., Чиба С. Оценка подобия речевых образов методом динамического программирования (на японском языке)// Dig. 1970 Nat. Meeting, Inst.Electron.Comm.Eng.-Japan, 1970, July.-p.136.
  108. Salioe H., Chiba S. A dynamic programming approach to continuos speech recognition //Proc. 7-th Int. Congi. Acoustics, Budapest, Aug.,-1971. -Vol.3.-p .65−68.
  109. В .И. Оптимальный прием сигналов.- Мл Радио и связь, 1983.-320с.
  110. Левин В, Р. Теоретические основы статистической радиотехники. Книга 2.~М.:Сов. радио, 1975−392с,
  111. Куликов Б, И. Вопросы оценок параметров сигналов при наличиипомех.- Мл Сов. радио,.969.~244с"
  112. Д. Введение в статистическую теорию связи, т. IL M.: Сов. радио, 1962−832с.
  113. Д. Очерки теории связи.- М.: Сов. радио, 1966.-18Û-C.
  114. С.Е. Оценка параметров сигнала— М.: Сов. радио, .1970 .-336с.
  115. Вопросы статистической теории радиолокации /Под ред. Тарта.-ковского Г. П., т.Н.-М.:Сов. радио. 1964.
  116. Я .Д., Голиков В. Н. Основы теории обнаружения радиолокационных сигналов и измерения их параметров.- Мл Сов. радио, 1963.-278с.
  117. Е. Радиолокационное измерение дальности, скорости и ускоренин //Зарубежная раддоэлектроника.-1962.-Ж"2.-с.35~47.
  118. Sage, А .P., Melsa J.L. Estimation theory with applications to communications and control.- Ms. Graw~HUi~i971.
  119. П.А., Жилина Ю. В., йванчук H.A. Обнаружение движущихся объектов.- МлСов. радио, 1980.-288с.
  120. И.А. Статистические проблемы выделения потокасигналов из шума- М.гСов. радиоД969.-464с.
  121. Ю.Г. Теория обнаружения и оценивания стохастических сигналов,— М.:Сов. радио, 1978.-32Ö-C.
  122. А.П., Шинаков Ю. С. Совместное различение сигналов и оценка их параметров на фоне помех.- М.:Радио и связь, 1986.-264с.
  123. Д. Эспозито Р. Новые результаты, в теории одновременного обнаружения сигналов и оценки их параметров в шуме //Проблемы передач и информации-1970 -W2 -с .3−12.
  124. Кай лат Т. Метод порождающего процесса в применении к теории обнаружения и оценки //ТййЭР.-197 $.-№ 5.
  125. Ю.Г., Стратонович Р.Л, Оптимальное обнаружение диффузионного процесса в белом шуме //Радиотехника и шюктроника.-196о.-№ 5.
  126. Ю.Г. Оптимальное обнаружение марковских сигналов на фоне марковских помех при дискретном времени //Техническая кибернетика-1966-№ 4.
  127. Р.Л., Сосулин Ю. Г. Оптимальное обнаружение марковского процесса в шуме //Техническая, кибернетика.- 1964.-К?6.
  128. В.Г., Тартаковский Г. П. Статистический синтез яри априорной неопределенности м адаптации информационных систем.- М.: Сов. радио, 1977,'-432с.
  129. В.А. Распознавание, оценивание ж управление в системах со случайной скачкообразной структурой.- М.:Наука, Физматлит.-1996.
  130. А.В., Кутненжо О. А. Нижняя граница вероятности ошибки распознавания квазипериодической последовательности импульсов, искаженной гауссовсжой некоррелированной помехой //Сибирский журнал индустриальной математ лки.~3 998 ,-т. 1 ,-с. 113−126.
  131. A.V.KeTraanov, O.A.Kutnenko. On the Bounds, of the Error Probability in Group Classification of Quasi-Periodic Sequences //Pattern Recognition and Image Analysis. 1998rVol. S-p. 125−127.
  132. А.В., Кутненко О. А., Садоматина Н.В, Хайретдино-ва А.Р., Хамидуллин С .A. M акроволновый синтез речи по тексту /'/ Тез. докл. 2-й Всероссийской с участием стран СНГ конференции
  133. Распознавание образов и анализ изображений: новые информационные технологии" РОАИ-2−95, Ульяновск, август-сентябрь 1995. Ч.З. — Ульяновск, 1995.-c.121−123.
  134. О.А. Алгоритм очистки речевого сигнала от квазипериодической помехи .// Тез. докл. 8-ой Всероссийской конференции «Математические методы распознавания образов» (ММРО-8), Москва, 1997, — Москва, ВЦ РАН, 1997.-еЛ82−183.
  135. О.А. Алгоритм очистки речевого сигнала от квазипериодической помехи // Вычислительные системы / РАН. Сиб. отд. Институт математики. Новосибирск, 1998.- выл Л 63: Анализ данных и сигналов.-с.63−81.
  136. A.V.Kel'manov, O.A.Kutnenko, S.A.Khamidullin. Instrumental System for Processing and Analysis of Speech Signals //Pattern Recognition and Image Analysis, 1998.-Vol.8,№ 3-p.361−362.
  137. M.A. Речевой сигнал в кибернетике и связи М.: Связь-издат, 1963.-452 с.
  138. Л .Р., Шафер Р. В. Цифровая обработка речевых сигна,-лов.- М.: Радио и связь, 1981.-495 с.
  139. Лим Дж.С., Оппенхайм А. В. Коррекция и сжатие спектра за-шумленных речевых сигналов //ТИИЭР. -1979.-Т.67.~Ш2.-с.5−26.
  140. Parsons T.W. Separation of speech from, interfering speech by means of harmonic selection //J. Aamst.Soc.Amer-1976.-Vol.60, Oct.- p.911−918.
  141. Sambur M.R. Adaptive noise cancelling for speech signals //ШВЕ Trans.Acoust., Speech, Signal Proc.-1978.-Vol .ASSP-26, Oct.- p.419−423.
  142. Kaunitz J. Adaptive filtering of broadband signals as applied to noise cancelling.- Stanford Electronics Lab., Stanford Univ., Stanford Calif., Rep. SU-SEL-72−038, Aug. 1972 (Ph.Dissertation).
  143. Адаптивные компенсаторы помех. Принципы построения и применения /Уидроу, Гловер, Маккул и др. //ТЙИЭР.-1975.-Т.63,-*Г*12.-с.69−98,
  144. Дж.Д., Грей А. Х. Линейное предсказание речи: Пер. с англ. /Под ред. ЮЛ. Прохорова, B.C. Звездина.- М.:Радио и связь.1980.-308 с.
  145. Rabiner L.R., Cheng MJL, Rosenberg А.Ё., Mcgonegal A.M. A comparative perfomance study of several pitch detection algorithms //IEEE Trans. Acous. Speech, Signal Processing.-1976.-Vol.ASSP-24, Oct.-p.399−418.
  146. А.В. Алгоритм выделения основного тона по разностной функции ряда остаточных ошибок модели авторегрессии // Ме тоды обнаружения закономерностей с помощью ЭВМ.- Новосибирск, 1981, — вып. 91: .Вычислительные системы .-с. 113−124.
  147. Dologlou L., Carayannis G. Pith detection based on zero-phase filtering //Speech Communication.-Vol.8,.^4, — Dec. 1989- p.309−319.
Заполнить форму текущей работой

Пора сдавать?