研究系统架构.DOCVIP

研究系統架構 盲訊號分離技術近年來以非負矩陣分解法以及雙反旋積非負矩陣分解法等相關研究最受矚目，然而要利用雙反旋積非負矩陣分解法將混合訊號分離出各獨立訊號源並加以辨識，必須事先知道混和訊號內的音源總數，故此方法無法使用在未知混音源總數的野外錄製音檔的音源分離上。因此，本論文針對此問題提出一種利用兩階段辨識的階層式架構來對單、混音訊號蛙鳴訊號做辨識，其整個系統架構如圖3.1所示。 圖3.1 階層式架構蛙鳴辨識系統架構圖 3.1階層式聲紋辨識架構 在前面章節介紹了基本的聲紋辨識技術，本論文在音節萃取及物種辨識的部分個別採用平均能量熵值法及適應性多段式平均頻譜法，階層式架構辨識方法在辨識的階段針對輸入訊號做兩階段處理的辨識，其辨識的流程如圖3.2所示。 圖3.2 階層式聲紋辨識流程圖 階層式辨識法將辨識流程分為兩個階段處理，第一階段處理為一般的辨識流程其內容包含前處理、端點偵測、特徵擷取、樣板比對，利用第一階段的辨識結果與資料庫做比對進行混合數的判斷，內容與第一階段不同之處在於多了利用雙反旋積非負矩陣分解法對混合訊號做分離，接著再對各獨立訊號源個別做辨識，以取得此輸入訊號更精準物種辨識。以下對此部分內容做詳細說明。 3.2兩階段辨識演算法 要偵測輸入訊號的音源總數，在此部分與前面章節所介紹的一般聲紋辨識的做法一樣，在要辨識一個聲音訊號之前，需要做訊號的前處理以及擷取出正確的有聲段在加以辨識，其流程如下圖3.3所示。 圖3.3第一階段處理流程圖 要對一個未知是單音還是混音的聲音訊號做辨識，在整個系統架構中對於聲音訊號先做第一階段的辨識，並利用第一階段的辨識結果，判斷此聲音訊號是否需要經由盲訊號技術進行混音分離，再將分離的各獨立訊號源做第二次的辨識。以得到此輸入訊號更精確的辨識結果。 對一個聲音訊號做辨識之前，需要先對聲音訊號做前處理、音節萃取、特徵參數擷取、比對與辨識，最後才得到此聲音訊號的辨識結果。以下將對於第一階段辨識流程各步驟詳細說明如下: 訊號前處理 小雨蛙原始訊號 小雨蛙音節萃取 圖3.4 蛙鳴訊號音節萃取示意圖 藉由端點偵測的技術，將聲音訊號實際的有聲段萃取出來，再做後續相關之處理。 特徵擷取 常見的特徵參數有梅爾倒頻譜係數與線性預估係數，這兩種特徵參數。線性預估係數雖然有低運算量的優點，但比起 (a) 拉都希氏赤蛙鳴叫訊號擷取音節 (b) 拉都希氏赤蛙梅爾倒頻譜特徵參數 圖3.5 拉都希氏赤蛙鳴叫訊號音節萃取及特徵擷取 如圖3.5所示，圖3.5 (a)經由訊號前處裡及端點偵測所得到的有聲段音節(b)對擷取音節進行梅爾倒頻譜特徵參數擷取的其中一個音框的結果。經由以上的處理，利用多段式平均頻譜法與資料庫內的樣本進行比對皆可以有良好的辨識率，但在野外錄音的環境之下，經常會有青蛙齊鳴的現象，由圖3.6所示。 (a) 拉都希氏赤蛙與日本樹蛙混合鳴叫訊號擷取音節 (b) 拉都希氏赤蛙與日本樹蛙混合鳴叫訊號爾倒頻譜特徵參數 圖3.6拉都希氏赤蛙與日本樹蛙混合訊號音節萃取及特徵擷取 由圖3.5(b)與圖3.6(b)可以看出兩個蛙鳴訊號在特徵上的分佈是很相似的。 3.2.1混合規則建立 經過第一階段的處理與辨識後，對於辨識混合鳴叫的訊號上，一般會將混合訊號中能量較強的物種辨識出來，如圖3.5(b)與圖3.6(b)所示，進而影響辨識上的準確性。因此，在此部分本文利用生態學家的專業知識與計算各物種鳴叫音段能量密度的方式，預先建立出混合鳴叫訊號的規則庫，以找出輸入訊號物種的混合數量，再加以利用雙反旋積非負矩陣分解法對混合訊號分離個獨立訊號源加以辨識，其第二階段處理流程如下所示。 圖3.7第二階段處理流程圖 利用第一次的辨識結果，與本文所提出的方法進行混合訊號的判斷，在決定是否需要進行混合訊號的分離、辨識，以下將各步驟詳細說明。 混音規則建立 在訓練的部分，除了利用適應性多段式平均頻譜法建立蛙類聲紋的模型之外，還需要建立混合鳴叫的物種規則。在此部分利用集群的概念與生態學家專業的知識，將較常一起鳴叫的蛙類集合在一起建立出蛙類的混合鳴叫規則狀態樹，建立規則的方式如圖3.8所示： 圖3.8混合鳴叫規則狀態樹 以圖3.8為例，假設某一個地區S中有A,B,C,…,i個物種(i需要視地區的物種數量而定) ，而每個物種混合的可能也就會有多種排列組合，以 利用專家經驗與長期監測的方式建立出每個物種獨立鳴叫a,b,c,..,i以及R1,R2,R3,…,Rn個規則群的物種鳴叫音節能量密度的門檻值，其中Rk≠Rj。利用公式(3.1)計算每一個物種獨自鳴叫與物種混合鳴叫音節的平均能量，利用每個物種獨自鳴叫與不同混合鳴叫音節各自不同程度大小的平均能量，即可利用統計的方式計算各物種分離數量狀態轉移的門檻，並與測試訊號的平均能量做比較，