臺灣博碩士論文加值系統

各種聲源訊號在傳播過程中，由於受到環境之影響，與各種噪音之滲入，在接收後必須作適確的訊號處理，才能將經過長距離傳送而能量衰減，且被環境干擾的訊息分辨出來。本研究對聲源訊號作雜訊消減之系統設計，以小波轉換作雜訊消減之處理。此方法可分為三個步驟：(1)聲源訊號作小波轉換(2)對小波訊號進行縮移(3)利用反小波轉換重建調整過的信號。而在第二步驟中，將使用不同臨界值選取法，並比較不同方法所得之辨識結果。

本系統平台建構於TI TMS320C6711 DSK，目的在利用其快速的數位信號處理速度，減少聲源訊號的訓練和辨識時間。

In the process of transmitting various acoustic signals , because of being affected by the environment and all kinds of noises that permeate through the propagation channel, it is necessary to have an appropriate signal processing procedure to identify the signals which energy is already decreased by long distance transmission and environment interruption. This research is based in a wavelet-based method by choosing threshold value for de-noising. The procedure is divided into three stages: (1) Wavelet transform of the acoustic signals (2) Thresholding of wavelet signals (3) Inverse wavelet transform to reconstruct modified signals. The most important part is second stage, which uses different threshold-selecting rule to compare the performace for the recognition of the acoustic signals.

The developed system is based on TI TMS320C6711 DSK. Since it reveal high performace for digital signal processing,it can reduce the training and recognizing time for the acoustic signal recognization .

目錄
第一章　緒論　　　　　　　　　　　　　　　　　　　　　　　　 1
1.1 研究動機與目的 1
1.2 研究方法 2
1.3 內容概述 3
第二章 TMS320C6711DSK系統 5
2.1 TMS320C6711 DSK 5
2.2 DSK的輸入與輸出 6
2.3 TMS320C6711數位處理器架構 7
2.4 C6711週邊介紹 8
2.4.1 外部記憶體介面(External Memory Interface, EMIF) 9
2.4.2 快速串列埠介面(Multichannel Buffered Serial Ports，McBSPs) 10
2.4.3 主電腦介面(Host Interface Ports，HPI) 11
第三章 聲源訊號特徵分析 12
3.1 聲源訊號之前置處理 12
3.1.1 聲源訊號取樣 12
3.1.2 音框化處理 12
3.2 傅立葉轉換 13
3.3 小波轉換 15
3.3.1 小波函數 16
3.3.2 多重解析空間 19
3.4 雜訊消除 22
3.4.1 小波去雜訊法(Wavelet Denoising) 23
3.4.2 離散小波轉換(DWT) 24
3.4.3 反離散小波轉換(IDWT) 25
3.4.4 臨界演算法 26
3.4.5 臨界值選取法(Threshold Selection Rules) 28
3.4.5.1 小波係數臨界演算法(wavelet coefficient thresholding) 28
3.4.5.2 MSE最低估測法則(Minimax-performance threhold Selection Rule) 29
第四章　辨識系統建立 　 30
4.1 辨識系統架構 31
4.2 前置處理 33
4.3 雜訊消減 35
4.3.1 小波分解(DWT) 36
4.3.2 臨界值選取法及臨界值演算法 39
4.3.3 小波合成(IDWT) 39
4.4 特徵擷取 41
4.5 樣本資料庫建立 43
4.6 辨識系統 44
4.6.1 增加時間關係的辨識系統 46
第五章 研究結果與比較 48
5.1 水下聲源訊號辨識 48
5.1.1 未作雜訊消減前的辨識率比較 48
5.1.2 增加時間關係的辨識系統比較 50
5.1.3 雜訊消減後的辨識率比較 51
5.1.3.1 雜訊消減的方法比較 51
5.2 一般聲源訊號辨識 56
第六章　未來展望 　 57
參考文獻 　 58

圖目錄
圖2-1 CCS使用畫面 5
圖2-2 C6711 DSK主機板示意圖 6
圖2-3 TMS320C6711 處理器架構方塊圖 7
圖2-4 C6000週邊方塊圖 8
圖2-5外部記憶體介面(EMIF)方塊圖 9
圖2-6高速串聯埠介面方塊圖 10
圖2-7 C6711主電腦介面方塊圖 11
圖3-1短時距傅立葉轉換 15
圖3-2小波轉換 16
圖3-3 Harr小波基底函數 18
圖3-4不同尺度空間的分解與合成 20
圖3-5多尺度空間的分解圖 21
圖3-6小波去雜訊的步驟方塊圖 23
圖3-7小波轉換分解圖 24
圖3-8小波轉換合成圖 25
圖3-9硬式臨界值演算法與軟式臨界值演算法比較圖 27
圖4-1辨識系統架構 31
圖4-2前置處理流程圖 33
圖4-3雜訊消減流程圖 35
圖4-4 4階Daubechies函數 37
圖4-5第19筆訊號的四層小波分解圖 38
圖4-6第19筆訊號的四層小波合成圖 40
圖4-7特徵參數擷取流程圖 42
圖4-8樣本資料庫建立流程圖 43
圖4-9辨識系統建立流程圖 45
圖4-10增加時間關係的辨識系統圖 47
圖5-1 MSE最低估測法則辨識率比較圖 52
圖5-2 小波係數臨界值選取法辨識率比較圖 52
圖5-3 不同臨界值選取法辨識率比較圖 53
圖5-4對第19筆訊號使用不同去雜訊方法的結果 55

表目錄
表5-1不同頻帶的辨識率比較 49
表5-2使用增加時間關係辨識系統的辨識率 50
表5-3不同臨界值演算法及選取法的辨識率比較表 51
表5-4使用半彈性收縮法對車輛作辨識的辨識率 56

參考文獻

[1]B. William ,Underwater acoustic system analysis,2nd ,Prentice Hall, 1991.

[2]W.C. Knight, “Digital Signal Processing for Sonar”, Proc. of IEEE, pp. 1451-1506,Nov. 1981.

[3]G. Thomas&A.E.Brito,”Noise Suppression and component Extraction of Underwater Acoustic Signals” MTS/IEEE Conference Proceedings
, Vol.2,pp.1351-1358,6-9 Oct.1997.

[4]S. Guangming, L. Xiaoping&J. L. Z. Wei, “Adaptive wavelet thresholding for time varying SNR signal denoising,” IEEE International Symposium on Circuits and Systems, Vol.4,pp.IV-827 -IV-829,26-29 May. 2002.

[5]W.Zhang&X.H.Zhao,”Wavelet Thresholding using Higher-Order Statistics for Signal Denoising,” International Conferences on Info-tech and Info-ne,Vol.1,pp.363-368,29 Oct.-1 Nov.2001.

[6]Donoho&Johnstone” Threshold selection for wavelet shrinkage of noisy data,” the 16th Annual International Conference of the IEEE , Vol.1, pp.24 - 25, 3-6 Nov. 1994.

[7]“Design Guidelines for the TLC320AD545/545”(TI Literature Number:SLAA090-December 1999).

[8]王逸如，陳信宏，數位信號處理的新利器TMS320C6X，全華書局，2000。

[9]黃皇嘉，類神經網路應用於即時聲源訊號辨識系統，1997，中原大學資訊工程所碩士論文。

[10]A.V. Oppenheim&R.W. Schafer,Discrete-Time Signal Processing,
Prentice-Hall,1989.

[11]D. Coulter,Digital Audio Processing,R&D Books,2000.

[12]J.R. Deller,J.G. Proakis&J.H.L. Hansen,Discrete-Time Processing of Speech Signals,Macmillan,1993.

[13]D. Gabor,”Theory of Communication,” J. of the IEE, vol. 93,pp.429-457, 1946.

[14]C.S. Burrus, Computer-Based Exercises for Signal Processing with Matlab Exercises,Prentice-Hall,1994.

[15]R.W. Ramirez,The FFT Fundamentals and Concepts,Prentice-Hall,
1985.

[16]I. Daubechies, Ten Lecture on Wavelets,SIAM Press,1992.

[17]J.C.Goswami&A.K.Chan,Fundamentals of Wavelets Theory,
Algorithms,and Applications,1999.

[18]單維彰，凌波初步，1999，全華書局。

[19]R.M. Rao&A.S. Bopardikar,Wavelet transforms: introduction to theory and applications,Addison Wesley, 1998.

[20]J.C. Goswami&A.K. Chan, Fundamentals of Wavelets:theory, algorithms, and applications, Wiley Interscience, 1999.

[21]C.S. Burrus, R.A. Gopinath&H. Guo,Introduction to Wavelets and Wavelet Transforms,Prentice-Hall, 1989.

[22]D.F. Guo, W.H. Zhu, Z.M. Gao&J.Q. Zhang,”A Study of Wavelet Thresholding Denoising,” 5th International Conference on Signal Processing Proceedings, Vol.1,pp.329-332,
21-25 Aug 2000.

[23]P. Ionescu, A. Jutten, C. Aminian, K. Najafi&B. Robert,
“Wavelet De-noising for Highly Noisy Source Separation,” IEEE International Symposium on Circutis and Systems, Vol.1,pp. I-201 -I-204, 26-29 May.2002.

[24]D.L.Donoho and I.M.Johnstone, “Ideal spatial adaptation via Wavelet Shrinkage,” Biometrika, vol. 81 pp.425-455, 1994.

[25]D.L.Donoho and I.M.Johnstone, “Minimax Estimation via Wavelet Shrinkage,” Technical Report No. 402, Department of Statistics, Stanford University.

[26].J.W.Seok and K.S.Bae, “Speech Enhancement with Reduction of Noise Components in the Wavelet Domain”, Acoustics, Speech, and Signal Processing, ICASSP-97., IEEE Internation Conference ,Vol.2, pp.1323-1326, 1997.