Методы обработки нестационарных сигналов, основанные на скрытых марковских моделях

• Автор: Королёв, Алексей Викторович
• Шифр специальности: 05.12.04
• Научная степень: Кандидатская
• Год защиты: 2008
• Место защиты: Нижний Новгород
• Количество страниц: 186 с. : ил.

Введение
1. Обзор методов обработки скрытых марковских моделей
1.1. Определение скрытых марковских моделей
1.2. Постановка и методы решения основных задач СММ
1.3. Практическое использование СММ на примерах систем распознавания речи
2. Оценивание последовательности состояний для скрытых марковских моделей с неизвестным моментом появления скачка параметров
2.1. Обобщенный алгоритм Витерби для скачкообразно изменяющихся скрытых марковских моделей с дискретными наблюдениями
2.2. Обобщенный алгоритм Витерби для скачкообразно изменяющихся скрытых марковских моделей с непрерывными наблюдениями
2.3. Алгоритм оценивания последовательности состояний
и момента появления скачка параметров для нестационарных скрытых марковских процессов
3. Оценивание скачкообразно изменяющихся параметров модели для нестационарных скрытых марковских процессов
3.1. Алгоритм оценивания изменяющихся параметров и времени скачка для скрытых марковских моделей с дискретнозначными наблюдениями
3.2. Алгоритм оценивания изменяющихся параметров и времени скачка для скрытых марковских моделей с непрерывными наблюдениями на фоне аддитивных гауссовых шумов

4. Практическое применение скрытых марковских моделей со скачкообразно изменяющимися параметрами
4.1. Скрытые Марковские модели в задачах оценивания характеристик канала связи без использования
тренировочных последовательностей
5. Заключение
6. Литература
7. Приложения
ВВЕДЕНИЕ

Актуальность диссертации и краткий обзор литературы. В технике, связи, радиолокации, технической диагностике и в ряде других разделов науки и техники существует целый ряд практически важных задач обработки и анализа структуры случайных сигналов, со скачкообразно изменяющейся структурой в случайные моменты времени. Подобные задачи имеют место, например, в системах связи при резком изменении уровня помех или случайных замираниях сигнала, в системах распознавания изменяющихся образов, в следящих системах сопровождения при маневрах цели. При диагностике сложных технических систем часто необходимо оценивать переменные, характеризующие состояние системы, и своевременно обнаруживать скачки параметров, приводящие к нарушению нормального режима работы. При этом, наблюдение за состояниями физических объектов происходит при действии шумов, а сами сигналы, несущие полезную информацию носят случайных характер.
В настоящее время одним из наиболее распространенных подходов к обработке случайных сигналов является аппарат теории оптимального оценивания сигналов, который базируется на методах теории случайных процессов и математической статистики. С развитием вычислительной техники возрос интерес к обработке дискретнозначных сигналов и появились перспективные методы статистической обработки сигналов, основанных на использовании дискретнозначных моделей случайных процессов, описываемых стохастическими уравнениями в дискретном времени. Среди них наибольшее распространение получили методы обработки сигналов, основанные на моделях описываемых дискретнозначными марковскими случайными процессами (марковскими цепями).
Основы теории оптимальной фильтрации случайных процессов были сформулированы в работах [1,2] . В работе [3] впервые была поставлена

Приемник
Распознанное
высказывание
Словарь в единицах речевых элеменов (фонем, дифонов, слогов)
Система
сопоставления к Блок
речевых 1/ декодирования
последователь- лексем
ностей
Рисунок 1.3. Блочная диаграмма системы распознавания речи.
Схема включает в себя следующие элементы:
1. Приемник речевого сигнала. Аналоговый речевой сигнал, снятый с микрофона, поступает на вход системы, где производится его оцифровка (дискретизация по времени и квантование по амплитуде). Перед этим, как правило, сигнал дополнительно подвергается низкочастотной фильтрации так называемым фильтром ограничения спектра, чтобы избежать нарушения теоремы Котельникова о дискретизации (также известной как теорема Найквиста или Шеннона) и искажения спектра оцифрованного сигнала. Далее производится сегментация уже цифрового сигнала, во время которой определяются границы слов и входной поток разбивается на отдельные элементы, соответствующие словам. После этого производится предобработка выделенных речевых единиц, целью которой является сокращение объёма информации, с которой предстоит работать системе, с