این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
Journal of Artificial Intelligence and Data Mining، جلد ۴، شماره ۲، صفحات ۲۱۳-۲۱۸
عنوان فارسی
چکیده فارسی مقاله
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Speech enhancement based on hidden Markov model using sparse code shrinkage
چکیده انگلیسی مقاله This paper presents a new hidden Markov model-based (HMM-based) speech enhancement framework based on the independent component analysis (ICA). We propose analytical procedures for training clean speech and noise models by the Baum re-estimation algorithm and present a Maximum a posterior (MAP) estimator based on Laplace-Gaussian (for clean speech and noise respectively) combination in the HMM framework, namely sparse code shrinkage-HMM (SCS-HMM).The proposed method on TIMIT database in the presence of three noise types at three SNR levels in terms of PESQ and SNR are evaluated and compared with Auto-Regressive HMM (AR-HMM) and speech enhancement based on HMM with discrete cosine transform (DCT) coefficients using Laplace and Gaussian distributions (LaGa-HMMDCT). The results confirm the superiority of SCS-HMM method in presence of non-stationary noises compared to LaGa-HMMDCT. The results of SCS-HMM method represent better performance of this method compared to AR-HMM in presence of white noise based on PESQ measure.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله e golrasan |
department of computer engineering, sharif university of technology, tehran, iran.
سازمان اصلی تایید شده: دانشگاه صنعتی شریف (Sharif university of technology)

h صامتی |
department of computer engineering, sharif university of technology, tehran, iran.
سازمان اصلی تایید شده: دانشگاه صنعتی شریف (Sharif university of technology)

نشانی اینترنتی http://jad.shahroodut.ac.ir/article_653_0c94d7b0e43ae42476963def7205ed95.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده en
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات