فرمت فایل:PDF

تعداد صفحه:125

فهرست مطالب :

چكيده ۱۲
مقدمه ۱۳
فصل ۱
مروري بر پژوهشهاي پيشين
۱- فيلتر وينر ۱۴ -۱
۲- فيلتر كالمن ۱۵ -۱
۳- فيلتر كالمن توسعه يافته ۱۶ -۱
۴- روشهاي كاهش طيفي ۱۷ -۱
۵- استفاده مستقيم از شبكه عصبي ۱۸ -۱
۶- فيلتر كالمن توسعه يافته دوگانه ۱۹ -۱
۷- فيلتر كالمن درك نشده ۲۰ -۱
۸- فيلتر كالمن درك نشده دوگانه ۲۱ -۱
فصل ۲
معرفي فيلترهاي كالمن
۱- مقدمه ۲۵ -۲
۲- فيلتر كالمن ۲۶ -۲
۱- مدل سيگنال و مشاهده ۲۶ -۲-۲
۲- يافتن پارامترهاي فيلتر كالمن ۲۹ -۲-۲
۳- خلاصه اي از روابط فيلتر كالمن ۳۱ -۲-۲
۴- خطاي سيستم ۳۲ -۲-۲
۵- خصوصيات فيلتر كالمن ۳۳ -۲-۲
۳۴ (EKF) ۳- فيلتر كالمن توسعه يافته -۲
۳۹ (DEKF) ۴- فيلتر كالمن توسعه يافته دوگانه -۲
۱- فيلتر تخمين حالت كالمن توسعه يافته ۴۱ -۴-۲
۲- فيلتر تخمين وزن كالمن توسعه يافته ۴۴ -۴-۲
فصل ۳
شناسايي سيستمهاي خطي و غير خطي
۱- مقدمه ۴۵ -۳
۲- ساختارهاي مدل كردن سيستمهاي خطي ۴۷ -۳
۳- مدل فضاي حالت سيگنالهاي صوتي ۵۲ -۳
۴- اعتبار تخمين ۵۳ -۳
۱- تست تابع خود همبستگي ۵۴ -۴-۳
۵- شناسايي و مدل كردن سيستمهاي غير خطي ۵۶ -۳
۵۷ NARX ۱- روش -۵-۳
۶۱ NAR ۲- روش -۵-۳
۳- نمايش شبيه سازيهاي مدلسازي صوت ۶۳ -۵-۳
فصل ۴
نمايش شبيه سازيهاي انجام شده و نتايج آن
۱- مقدمه ۶۷ -۴
۲- شرح خلاصه مطالب ۶۸ -۴
۳- ساختار مدل ۶۹ -۴
۱- حلقه شناسايي سيستم ۷۰ -۳-۴
۲- ساختار شبكه عصبي ۷۲ -۳-۴
۳- نحوه آموزش شبكه عصبي ۷۳ -۳-۴
۴- نحوه همگرا شدن شبكه عصبي ۸۷ -۳-۴
۴- موضوع تخمين ۸۹ -۴
۱- نحوه تخمين سيگنال صوتي ۹۲ -۴-۴
۵- نتيجه گيري ۱۰۰ -۴
۶- پيشنهاد براي كارهاي آينده ۱۰۱ -۴
۱۰۲ MATLAB پيوست ۱- برنامه هاي نوشته شده با نرم افزار 6.5
فهرست منابع فارسي ۱۰۸
فهرست منابع غير فارسي ۱۰۹
فهرست نام ها ۱۱۳

چکیده :

در فصل اول، پايان نامه مروري بر پژوهشهاي انجام شده توسط محققان و دانشمندا ن طي نيم
قرن اخير دارد و سعي مي كند تا روند تكامل خانواده فيلتر كالمن را مورد بررسي قرار دهد . در
فصل دوم به معرفي فيلتر كالمن، فيلتر كالمن توسعه يافته و فيلتر كالمن دوگانه مي پردازد و روابط
آنها و چگونگي استخراج اين روابط تشريح مي گردد . در فصل سوم موضوع شن اسايي سيتمهاي
خطي و غير خطي مطرح مي گردد و انواع روشهاي شناسايي سيستمهاي خطي و غير خطي مورد
مطالعه قرار مي گيرد . همچنين كاربرد شبكه عصبي در شناسايي سيستمهاي غير خطي و نحوه
آموزش و انتخاب ساختار شبكه عصبي تشريح مي گردد و در ادامه نحوه آموزش شبكه عصبي
انتخاب شده ارائه مي گردد . در فصل چهارم نيز به ارائه شبيه سازيهاي انجام شده با نرم افزار
و مقايسه آنها با يكديگر پرداخته شده است. Matlab 6.5
ليست برنامه هاي نوشته شده نيز در پيوست ۱ ارائه گرديده است.

موضوع بهبود گفتار با نياز به افزايش كيف يت عملكرد سيستمهاي ارتباطي صوتي در محيط هاي
نويزي ، مطرح گرديد . رنج عملكردي وسيعي براي سيستمهاي تشخيص گفتار جهت بهبود ارتباط
از راه دور در هوانوردي ، صنايع نظامي ، گفتگوهاي راه دور و محيط هاي سلولي وجود دارد . هدف
ما نيز در اين پايان نامه بهبود كيفيت قابل ملاحظه گفتار يا افزايش قابليت فهم آن مي باشد.
كاربردهاي فراواني از بهبود گفتارهاي صوتي تا پيش بيني هاي اقتصادي و كنترل تطبيقي
نيازمند تخمين و مدلسازي دنباله هاي زماني نويزي مي باشند . از اين جمله مي توان به بهبود
گفتارهاي صوتي ، پيش بيني اقتصادي ، مدلسازي ژئو فيزيكي و بسياري كاربردهاي ديگر اشاره
كرد. يك دنباله زماني نويزي مي تواند با يك مدل احتمالي كه هر دوي اجزاي تقريبي و دقيق
ديناميك ها را تخمين مي زند ، توصيف شود . چنين مدلي مي تواند به همراه فيلتر كالمن (يا فيلتر
كالمن توسعه يافته) جهت تخمين و پيش بيني سري زماني از مشاهدات نويزي بكار گيري شود.
فيلتر كالمن يك فيلتر بهينه خطي است كه بر روي فضاي حالت سيتمهاي خطي استاتيكي و
ديناميكي اثر گذاشته و يك تخمين بهينه از حالتهاي سيستم با استفاده از معادلات بر گشت پذير و
ديناميكي خود در شرايطي كه دسترسي به آنها ميسر نباشد ارائه مي دهد . همچنين اين فيلتر مي
تواند تاثير كليه اطلاعات گذشته و ابتدايي سيستم را نيز در تخمين هر لحظه خود لحاظ نمايد.
بنابراين با توضيحات ارائه شده در بالا مي توان فهميد كه جهت بازيابي يك سيكنال صوتي به
يك تخمين خوب نياز است اما موضوع مهم اين است كه فيلتر كالمن خطي قادر به ارائه تخمين از
مدلهاي سيستمهاي غير خطي نمي باشد حال آنكه اكثر سيستمهاي واقعي كه سيستمهاي صوتي
نيز از اين جمله مي باشند ماهيت غير خطي دارند. لذا در اين پايان نامه بر آن شديم تا با مطالعه بر
روي فيلتر كالمن توسعه يافته و به كمك شبكه هاي عصبي بتوانيم موضوع مدلسازي و تخمين
سيگنال صوتي را با فرض غير خطي بودن آن بررسي نماييم.

و...