Baixe o app para aproveitar ainda mais
Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original
Processos Estocásticos Projeto Computacional. Questão 1 FUNÇÕES UTILIZADAS: xcorr(): gera um vetor com valores de autocorrelação em cada intervalo de tempo. hist, mean e a autocorrelação, verifica-se que o arquivo aproxima-se de um processo estocástico com PDF gaussiana. Questão 1 PROPRIEDADES: 1. Rx(0) e o valor quadrático médio do processo X(t) E[x2(ti)] = Rx(ti, ti) = Rx (ti−ti) = RX(0). 2. Rx(0) =σ2x se o processo tiver média nula. 3.|Rx(τ)|≤ Rx(0), para todo τ. Questão 1 Códigos/Gráficos : figure plot(xcorr(male_speech,male_speech)); t = xlabel('tempo'); Rx = ylabel('Rx'); legend('male speech'); grid on; Questão 1 Códigos/Gráficos : figure plot(xcorr(noisy_speech,noisy_speech)); t = xlabel('tempo'); >> Rx = ylabel('Rx'); legend('noisy speech'); grid on; Questão 1 Códigos/Gráficos : figure plot(xcorr(speech,speech)); t = xlabel('tempo'); Rx = ylabel('Rx'); legend('speech'); grid on; Questão 2 1. Objetivo: Verificar possibilidade de filtragem usando somente DEP 2. Procedimento: Geração do gráfico DEP de cada um dos sinais Análise de frequência envolvida Questão 2 Resultado: Noisy speech Questão 2 Resultado: Male speech Questão 2 Resultado: speech Questão 3 Conclusão: É impossível utilizando apenas a DEP filtrar os sinais. Frequências muito próximas. Questão 3 Objetivo: Aplicar técnica de comparação de voz Propriedades: A voz possui frequência. Densidade espectral de potência. Subtração dos vetores resultantes. Quanto mais próximo de zero, maior a semelhança. Questão 3 Procedimento: 1. Gerar um vetor para cada sinal % Speech signal Fs = 22050; t = 0:1/Fs:1-1/Fs; N = length(male_speech); xdft = fft(male_speech); xdft = xdft(1:N/2+1); psdx = (1/(Fs*N)) * abs(xdft).^2; psdx(2:end-1) = 2*psdx(2:end-1); freq = 0:Fs/length(male_speech):Fs/2; Questão 3 Procedimento: 1. Gerar um vetor para cada sinal % Noisy-speech signal Fs = 22050; t = 0:1/Fs:1-1/Fs; A = length(noisy_speech); xdft = fft(noisy_speech); xdft = xdft(1:A/2+1); psdx_m = (1/(Fs*A)) * abs(xdft).^2; psdx_m(2:end-1) = 2*psdx_m(2:end-1); freq = 0:Fs/length(noisy_speech):Fs/2; Questão 3 Procedimento: 2. Subtração dos vetores a = [psdx_m - psdx]; Noisy speech Speech w = norm(a) Questão 3 Resultados: W* = 8.7276e-004 *variável que representa a norma da diferença dos vetores de DEP. Questão 3 Conclusão: As vozes são as mesmas Técnica eficiente Questão 4 Objetivo: Identificar características nos sinais. Gerar variáveis aleatórias correspondentes aos sinais. Verificar inteligibilidade sonora. Questão 4 Procedimento: Semelhança visual entre o sinal analisado e a distribuição gaussiana Sinal speech Questão 4 Procedimento: 3. Uso dessa relação 3.1 Gerar vetor com características gaussianas (E=0, σ2=1) y = mean(speech)+sqrt(var(speech))*x Questão 4 Procedimento: 4. Calculo da média e variância 4.1 Do vetor aleatório gerado 4.2 Do arquivo speech Questão 4 Resultado: Médias semelhantes Ms = -0.0040 (média do Speech) ≈ Mss = -0.0040 (media do y) 2. Variâncias semelhantes Vs = 0.0271(σ2 do Speech) ≈ Vss = 0.0270 (σ2 do y). Questão 4 Resultado: 3. Comprovação dessa relação 3.1 autocorrelação entre as duas distribuições Questão 4 4. Repetindo o procedimento para o sinal male speech: male speech Vetor gerado Questão 4 Resultado: Médias semelhantes Ms = -0.0040 (média do Speech) ≈ Mss = -0.0040 (media do y) 2. Variâncias semelhantes Vs = 0.0271(σ2 do Speech) ≈ Vss = 0.0270 (σ2 do y). Questão 4 Resultado: 4.1 autocorrelação entre as duas distribuições Questão 4 4. Repetindo o procedimento para o sinal noisy speech: male speech Vetor gerado Questão 4 Resultado: 4.1 autocorrelação entre as duas distribuições Questão 4 Conclusão: Dados estatísticos semelhante como consequência do resultado Não inteligível
Compartilhar