بهبود کیفیت گفتار با استفاده از الگوریتم های بهینه سازی اتفاقی

بهسازی سیگنال گفتار آلوده به نویز یکی از مسائل مهم در پردازش سیگنال گفتار می باشد. در این پژوهش، هدف بررسی روشهای بهسازی سیگنال گفتار دوکاناله توسط الگوریتم های بهینه سازی اتفاقی (stochastic optimization algorithms) و ارزیابی عملکرد آنها با معیارهای استاندارد مختلف است. معمولاً برای طراحی سیستمی که بتواند به صورت وفقی نویز را از سیگنال آغشته به نویز کم کند، از الگوریتم های مبتنی بر گرادیان (gradient-based algorithms) استفاده شده است. ولی این روش ها در جستجوی نقطه مینیمم ممکن است در مینیمم محلی (local minimum) به دام بیافتند، که سبب کاهش کارآمدی سیستم بهسازی گفتار دوکاناله با استفاده از الگوریتم های مبتنی بر گرادیان می شود. به همین جهت، در این پایان نامه از الگوریتم های بهینه سازی اتفاقی برای حذف وفقی نویز استفاده شده است. این الگوریتم ها با انتخاب نقاط تصادفی در فضای جستجو و تغییر دادن مکان آنها به صورت هوشمند، فضای خطا را جستجو می کنند تا به نقطه مینیمم کلی برسند. همچنین در این پایان-نامه، برای بالا بردن عملکرد الگوریتم بهینه سازی ازدحام ذرات (spso)، روش های ابتکاری بر مبنای بهینه سازی اتفاقی پیشنهاد شده اند که شامل الگوریتم بهینه سازی کوانتوم وفقی ازدحام ذرات بر مبنای تولید مثل غیرجنسی (araqpso)، الگوریتم بهینه سازی ازدحام ذرات بر مبنای تولید مثل جنسی (srpso) و الگوریتم بهینه سازی ازدحام ذرات بر مبنای یادگیری (lpso) می باشند. در الگوریتم araqpso، ذراتی که فضا را جستجو می کنند، به صورت غیرجنسی تکثیر می شوند. افزودن این قابلیت به ذرات، سبب به وجود آمدن جستجوی محلی وفقی در اطراف ذرات می شود که متناسب با شایستگی آنهاست. در الگوریتم srpso، جمعیت اولیه به دو زیرگروه مذکر و مونث تقسیم می گردد که روش جستجو در هر کدام از آنها متفاوت است. همچنین، عملگرهای تقاطع و جهش سبب افزایش قابلیت الگوریتم در پیدا کردن راه حل بهینه می شوند. در نهایت، الگوریتم پیشنهادی دیگری به نام lpso را مطرح می کنیم که در آن از مدلی با چندین زیرگروه مبتنی بر روش های یادگیری اطلاعات (knowledge learning) و تغییر وفقی بهترین ذره (adaptive dynamic global best) استفاده کرده ایم.