Алгоритм шумоочистки речевых команд методом спектрального слежения

Алгоритм шумоочистки речевых команд методом спектрального слежения
Новосёлов С.А., Топников А.И., Савватин А.И.
Ярославский государственный университет имени П.Г. Демидова

150000, Россия, Ярославль, ул. Советская, 14, Тел. (4852) 79-77-75. [email protected]
Введение. Одним из этапов развития современных информационных технологий и систем связи становится организация удобного интерфейса взаимодействия человека и «машины». Естественным языком общения людей являются речевые сигналы. Этим и объясняется стремление современной прикладной науки к созданию голосовых интерфейсов управления. Необходимо отметить сложность процесса распознавания речи на основе сложившихся математических инструментов и алгоритмов обработки информации. Это связано со спецификой самого объекта изучения. Речь – сложный динамический сигнал, и до сих пор не существует адекватных математических моделей речевого восприятия человека. Помимо прочего, речевой сигнал подвержен влиянию шумовых факторов, которые, в большинстве случаев, приводят к неработоспособности существующих алгоритмов распознавания. В связи с этим положением возникают задачи предобработки речевых сигналов перед стадией выделения информативных признаков и распознавания. Существуют так называемые Silent Speech Interfaces (SSI) (Интерфейсы Безмолвного Доступа), которые также призваны устранять недостатки чрезмерной чувствительности к шумам современных систем распознавания. Эти системы обработки речи базируются на получении речевых сигналов ранней стадии артикулирования и выходят за рамки данной работы. В статье предлагается алгоритм шумоочистки речевых сигналов на этапе предобработки распознавания речевых команд малого словаря. В основе алгоритма: детектирование речевой активности; метод фильтрации Винера в спектральной области; метод прямого принятия решений.

Распознавание речевых команд. Первое устройство для распознавания речи появилось в 1952 году, оно могло распознавать произнесённые человеком цифры. Сейчас задача распознавания команд малого словаря для «чистых» сигналов считается практически решенной и вероятность верного распознавания близка к 100%. В большинстве случаев для решения такой задачи применяются методы сравнения сигналов с эталонами в пространстве параметров с учетом динамических изменений во времени (Dynamic time warping (DTW) – Динамическое временное масштабирование). Нередко применяют Скрытые Модели Маркова как описательные модели команд. Однако, устойчивость алгоритмов к воздействию внешних шумов остается сомнительной. На рис. 1 приведена структурная схема рассматриваемого алгоритма распознавания команд русской речи. Информативными параметрами являются мелкепстральные коэффициенты и их производные первого и второго порядка. Сравнение с эталонными параметрами происходит с помощью алгоритма DTW. Рабочей единицей рассматриваемых алгоритмов распознавания является команда. С помощью детектора речевой активности (Voice Activity Detector (VAD) такие команды выделяются из потока речи. Именно этот первоначальный классификатор «речь – не речь» – один из определяющих для вероятности правильного распознавания. Его разработке и реализации в работе уделено большое внимание.

Рис 1. Схема алгоритма выделения, фильтрации и распознавания команд

Детектор речевой активности представляет собой решение проблемы определения участков сигналов, в которых присутствует речь. Задача детектирования речевой активности является важной как для методов сжатия и фильтрации, так и для алгоритмов распознавания речи. Например, рекомендация G.729 B регламентирует метод VAD, который работает при относительно высоких отношениях сигнал/шум (>10 Дб). В данной работе предлагается использовать статистический метод Смесей Гауссовых Распределений (Gaussian Mixture Model (GMM) для классификации фрагментов сигналов на классы типа «речь – не речь». Необходимо синтезировать статистические модели различных видов шумов, которые представляют класс «шум» и одну обобщающую модель для речевых сигналов – класс «речь». В качестве параметров для построения моделей используются также мелкепстральные коэффициенты и их производные. С помощью GMM и критерия максимального правдоподобия определяется вероятность принадлежности исходного фрагмента к каждому классу и в ходе сравнения вероятностей выносится решение о наличии речевой активности. Как показывают результаты проведенных исследований – способ достаточно прост и эффективен. Преимущества предлагаемого метода VAD в том, что легко можно адаптировать систему под шумы различных типов. Например, в класс шумов легко можно отнести музыку, шум толпы, а также «мешающий» голос человека.

Фильтрация Винера и метод спектрального слежения. Винеровское оценивание  – задача нахождения параметров линейной стационарной системы, которая минимизирует среднюю квадратическую ошибку между реальным и желаемым выходными сигналами. Выражение для частотной характеристики фильтра Винера для аддитивных шумов выглядит следующим образом: , (1)

где – отношение спектральных мощностей сигнала и шума .

Для оценки SNR в формуле (1) предлагается использовать результаты классификатора VAD для последовательности фреймов и применять метод прямого принятия решения (Forward Decision Directed (FDD) approach [1]): . (2)

Здесь – априорное значение отношения спектральных мощностей сигнала к шуму в текущем фрейме, оцененное по предыдущим фреймам; – спектральная мощность чистой речи, оцененный по предшествующему отфильтрованному фрейму; – спектральная мощность текущего зашумленного фрейма; – спектральная мощность шумовой составляющей фрейма; – коэффициент сглаживания ().

Метод спектрального слежения за шумом предполагает, что спектральные параметры шума оцениваются по нескольким фреймам, предшествующим речевому отрезку (команде) [2]. По оцененным параметрам итерационно рассчитывается фильтр Винера для каждого фрейма и производится шумоочистка всей произнесенной команды. Существенным является правильное определение границ речевого сигнала, а следовательно, ключевую роль в предлагаемом методе фильтрации играет детектор речевой активности, описанный выше.

Заключение. В работе предложен и реализован алгоритм шумоочистки речевых команд методом спектрального слежения. В основе алгоритма лежит метод VAD реализованный с помощью статистических моделей GMM. Удаление помехи производится оценкой Винера и методом FDD. При тестировании алгоритма произведен анализ параметра качества речи PESQ (Perceptual Evaluation of Speech Quality) от отношения сигнал/шум (ОСШ) (рис. 2). Улучшение вероятности распознавания команд малого словаря (10 слов) на фоне шумов составило 30% по сравнению с алгоритмом без фильтрации.

Рис. 2 Зависимость PESQ от ОСШ для отдельной команды

Литература

1. Y. Ephraim and I. Cohen, “Recent Advancements in Speech Enhancement’’ The Electrical Engineering Handbook, CRC Press, 2006.

2. Y. Ephraim and D. Malah, “Speech enhancement using aminimum mean-square error short-time spectral amplitudeestimator”, IEEE Trans. Acoust., Speech, Signal Processing,vol. ASSP-32, no. 6, pp. 1109.1121, December 1984.

3. R. C. Hendriks, R. Heusdens, and J. Jensen, .Adaptive timesegmentation of noisy speech for improved speech enhancement,. in IEEE Int. Conf. Acoust., Speech,Signal Processing,March 2005, vol. 1, pp. 153.156.
Spectral noise tracking algorithm for speech command enhancement
Novoselov S., Topnikov A., Savvatin A.

Yaroslavl State University
14 Sovetskaya st., Yaroslavl, Russia 150000. Phone: 7-4852-797775. [email protected]
It is necessary to note the complexity of speech recognition process based on usual mathematical tools and algorithms. Researchers deal with the specificity of the object to study. Speech is a complex dynamic signal, and there is no adequate mathematical models for speech perception(recognition) till now. Besides, the speech signal is subject to noise influence. In most cases, it results in helpless of the most recognition methods.

According to the recent advancements in speech enhancement (Y. Ephraim and I. Cohen 2006) [1] the Wiener filtering in spectral domain [2,3] is the most effective method for speech denoising tasks. In the paper we adapt this algorithm for noisy speech command recognition. The algorithm for speech command denoising using Voice Activity detection (VAD), Wiener deconvolution and Forward Decision Directed approach is offered to improve recognition rate.

In most cases Dynamic time warping (DTW) algorithm is applied to recognize speech commands. Melcepstral factors and their derivatives of the first and second order are used as speech informative parameters. Applying Voice Activity Detectotion methods one can separate commands from the speech flow. Proposed VAD algorithm is based on Gaussian Mixture Models (GMM) technique. At the training stage Probabilistic Models of speech and noise samples are generates. Those GMMs are used to separate speech and nonspeech frames in real time recognition model. The advantage of this technique is opportunity to generate and to take into account different noise models.

The method of spectral noise tracking assumes spectral parameters of noise are estimated on several frames previous to a speech command [3]. By means of the appreciated parameters command denoising is made. The key role in an offered method of a noise cancelation the Voice Activity Detectotor is played.

Better recognition rate is achieved in speech command recognition tasks. VAD is the major part of the system. Perceptual Evaluation of Speech Quality is perfomed to estimate robustness of the method.

References

1. Y. Ephraim and I. Cohen, “Recent Advancements in Speech Enhancement’’ The Electrical Engineering Handbook, CRC Press, 2006.

2. Y. Ephraim and D. Malah, “Speech enhancement using aminimum mean-square error short-time spectral amplitudeestimator”, IEEE Trans. Acoust., Speech, Signal Processing,vol. ASSP-32, no. 6, pp. 1109.1121, December 1984.

3. R. C. Hendriks, R. Heusdens, and J. Jensen, “Adaptive timesegmentation of noisy speech for improved speech enhancement”, in IEEE Int. Conf. Acoust., Speech,Signal Processing,March 2005, vol. 1, pp. 153.156.



ИССЛЕДОВАНИЕ АЛГОРИТМА ОЦЕНКИ СМЕЩЕНИЯ ЧАСТОТЫ СПЕКТРА СИГНАЛА С OFDM МОДУЛЯЦИЕЙ ВО ВРЕМЕННОЙ ОБЛАСТИ

Овинников А.А.

Рязанский государственный радиотехнический университет
Одной из наиболее перспективных технологий в области цифровых систем радиосвязи и радиовещания является ортогональное частотное мультиплексирование [1] (OFDM – Orthogonal Frequency Division Multiplexing). Благодаря устойчивости к замираниям, вызванным многолучевым распространением сигнала, а так же высокой спектральной эффективности OFDM модуляция получила широкое распространение в стандартах для беспроводных локальных вычислительных сетей (IEEE 802.11), систем широкополосного доступа (IEEE 802.16) и цифрового телевизионного вещания (DVB-Digital Video Broadcasting).

Для получения минимальной вероятности ошибки в передаваемых символах необходимо применять алгоритмы синхронизации. Точность их работы в системах с OFDM модуляцией оказывает существенное влияние на эффективность работы приёмника. Для ортогонального частотного мультиплексирования при всех его достоинствах существует ряд проблем, в частности нарушение ортогональности поднесущих, которое может быть вызвано эффектом Доплера, а так же нестабильностью частоты опорных генераторов.



Рис. 1. Несогласованное дискретное преобразование

Обычно в системах с OFDM модуляцией рассматриваются два возможных варианта сдвига несущего колебания. Первый – когда частота сдвига кратна расстоянию между поднесущими OFDM символа. В этом случае поднесущие частоты остаются взаимно ортогональными, однако при этом находятся не на своих позициях. Это приводит к вероятности символьной ошибки 0.5 после демодуляции сигнала. Второй вариант – когда частота сдвига несущего колебания не кратна частоте сдвига между поднесущими. В этом случае ортогональность поднесущих нарушается и в демодулированном сигнале наблюдается явление межсимвольной интерференции, приводящее к существенному ухудшению качества приёма. Кроме того, величина частотного сдвига во времени может изменяться. Не стационарность частотной нестабильности может привести к существенным изменениям в работе алгоритмов синхронизации. Рассмотренная проблема может наблюдаться в течение некоторого промежутка времени после включения аппаратуры.

В общем случае существует два основных направления компенсации смещения спектра OFDM сигнала. Первая группа алгоритмов основана на пилотных поднесущих, вторая привязана к защитному интервалу (циклическому префиксу). Далее рассматривается алгоритм, основанный на взаимной корреляции циклического префикса и соответствующей ему информационной части.

Целью работы является исследование алгоритма оценки смещения частоты спектра сигнала с OFDM модуляцией при условии, что входной сигнал является действительным, для получения высокой точности оценивания.

Модель системы передачи данных

Упрощённая структурная схема системы с OFDM модуляцией и системой синхронизации представлена на рис. 2.



Рис. 2. Структурная схема OFDM-системы с алгоритмом синхронизации
Комплексно модулированная последовательность данных поступает на вход модулятора OFDM, где выполняются операции последовательно-параллельного преобразования (ПсПрП), обратного быстрого преобразования Фурье (ОБПФ), добавления циклического префикса и параллельно-последовательного преобразования (ПрПсП). После чего сигнал преобразуется в аналоговый с помощью цифро-аналогового преобразователя (ЦАП) и проходит через многолучевой канал связи (КС) с релеевскими замираниями, аддитивным белым гауссовским шумом и величиной частотной нестабильности . Особенностью математической модели исследуемого КС является то, что задержки между лучами являются постоянными на интервале наблюдения, а частотные коэффициенты передачи не изменяются на протяжении символа OFDM. Также допускается, что смещение частоты является процессом, медленно меняющемся во времени, и, следовательно, величина частотной нестабильности принимается постоянной на интервале анализа. На приёмной стороне после аналого-цифрового преобразования (АЦП) с помощью системы синхронизации осуществляется оценка начала символа, частотного смещения и коррекция этих параметров. После этого выполняется процедура OFDM демодуляции.

Описание алгоритма оценивания частотного смещения

Для оценки частотного смещения используется следующий алгоритм.

1. 
   Определение мнимой составляющей действительного входного сигнала с помощью преобразования Гильберта вида: .
   

Преобразование Гильберта необходимо для получения мнимой составляющей входного действительного сигнала.

2. 
   Вычисление комплексных отсчётов функции взаимной корреляции ВКФ по формуле [2]:
   

, где - входной сигнал, N_OFDM – интервал ортогональности, L – количество отсчётов, приходящихся на циклический префикс, * - знак комплексного сопряжения.

3. 
   Определение значения аргумента в точке T_max, соответствующей максимуму амплитудной характеристики ВКФ, . В ходе исследований определение значения фазы выполнялось как в точке T_max ()., ^{так и посредством} усреднения значений фазы ВКФ на отрезке [T_max-k, T_max+k], где k – некоторое количество отсчетов, которое выбирается эмпирически.
   
4. 
   Вычисление оценочной величины частотного смещения: , где - расстояние между поднесущими символа OFDM, - среднее значение фазы, вычисленное в п.4, m - коэффициент пропорциональности, который выбирается на основе анализа полученных результатов моделирования.
   

Методика исследования. Результаты

В процессе исследования использовался синхронизированный во времени сигнал. Анализируемыми параметрами являлись:

1. Ширина интервала анализа: l - количество отсчётов, ограниченное сверху длиной циклического префикса.

2. Размер окна анализа: N - количество OFDM символов, используемых для нахождения ВКФ.

3. Ширина интервала усреднения фазы: K.

4. Порядок и ширина полосы пропускания фильтра Гильберта.

В ходе моделирования для получения статистически достоверной информации через канал было передано несколько тысяч OFDM символов. После выполнения временной синхронизации оценивалась величина частотного смещения, и исследовалось влияние описанных выше параметров на точность оценок . Так же была показана возможность различения частотных смещений по распределению амплитуд ВКФ.



Рис. 3. Распределение амплитуд пиков ВКФ при частотном сдвиге между сигналами в 15 Гц
На рис. 3 представлены распределения амплитуд пиков ВКФ для двух практических OFDM сигналов A540 и А525, один из которых (А525) соответствует точной настройке приемника, другой (A540) характеризуется расстройкой по частоте в 15Гц. Из рисунка 3 видно, что преднамеренно внесенный частотный сдвиг в 15 Гц между сигналами A540 и А525 можно различить при величине параметра N=10. Расстояние между поднесущими OFDM сигнала при этом равнялось порядка 900 Гц.
Заключение

В ходе исследования удалось оценить влияние целого ряда факторов на точность оценки частного смещения. Было показано, что наибольший вклад в точность вносит размер окна анализа, например, при N=1 удаётся определить сдвиг с ошибкой в 15 и более Гц, в то время как при N=10, ошибка составляет 5-10 Гц. Исследование ширины интервала анализа, интервала усреднения фазы и параметров фильтра Гильберта показало, что их вклад в точность оценок оказывается незначительным.

Литература

1. 
   R. W. Chang, “Synthesis of band-limited orthogonal signals for multichannel data transmission,” Bell Systems Technical Journal, vol. 46, pp. 1775–1796, December1966.
   
2. 
   L.Hanzo, T. Keller. OFDM and MC-CDMA A Primer. - IEEE Communications Society, Sponsor John Wiley & Sons, Ltd.
   

ANALYSIS OF CARRIER FREQUENCY OFFSET ESTIMATION ALGORITHM FOR OFDM SIGNALS IN TIME DOMAIN

Ovinnikov A.

Ryazan state radio engineering university
Orthogonal Frequency Division Multiplexing (OFDM) is a carrier frequency modulation scheme, which has found favour for use in digital terrestrial broadcasting (DAB, DVB-T), wireless local networks (Hiperlan/2 and IEEE802.11a) and broadband wireless access systems (IEEE802.16). OFDM systems work by converting a high rate serial data stream into many parallel low rate streams to ensure the symbol signaling period is much longer than the delay spread of the channel. The parallel data are modulated on a group of orthogonal sub-carriers that are in turn converted into the time domain by an IFFT transform. Before transmission, the sequence of IFFT output samples of each OFDM symbol is typically extended by cyclic prefix. At the receiver, the transmitted data are recovered by performing an FFT operation on the received baseband signal.

Along with advantages of OFDM such as high spectral efficiency, robustness against multipath propagation there are some weaknesses. One of them is the problem in mismatching of the oscillators in the transmitter and receiver. A carrier offset at the OFDM receiver can cause losses in subcarrier orthogonality, and thus introduces interchannel interference (ICI) and severely degrades the system performance. High accuracy carrier offset estimation and compensation is of paramount importance in OFDM communications.

Similar to other communication systems, carrier synchronization in OFDM is usually carried out in two phases, namely, acquisition and tracking. While the acquisition range is the focus during the initial phase, accuracy and stability is the more important design criterion during the tracking stage. In addition, the computational requirements from these two modes are also different. While high cost algorithms are affordable during acquisition, more computationally efficient methods are necessary for the tracking mode.

In this paper the influence of some parameters on maximum likelihood estimator is considered. Estimator is based on the redundancy in the cyclic prefix.

Simulation results shown that the greatest effect on the accuracy of frequency estimation is given by extension of the analyzing window size.



ОПРЕДЕЛЕНИЕ ПАРАМЕТРОВ ЭФФЕКТИВНОЙ РАБОТЫ СИСТЕМЫ ЗАЩИТЫ РЕЧЕВОЙ ИНФОРМАЦИИ

Савватин А.И., Новиков А.Е.
Ярославский государственный университет имени П.Г. Демидова

150000, Россия, Ярославль, ул. Советская, 14

Тел. (4852) 79-77-75, dcsl [email protected]
Введение. На данный момент необходимо решать задачи защиты информации в каналах связи наиболее простыми и быстрыми методами. Это касается как сетей передачи данных с коммутацией каналов, так и с пакетной коммутацией. Большинство существующих алгоритмов основаны на математических методах и имеют сложную структуру, не позволяющую реализовать эти алгоритмы защиты на простой элементной базе.

Вейвлет-анализ является перспективным направлением цифровой обработки сигналов, его инструменты находят применение в самых различных сферах интеллектуальной деятельности. В данной работе предлагается использование цифровых вейвлет-фильтров для построения систем защищенной передачи речевой информации. Рассмотрены некоторые теоретические аспекты согласованного вейвлет-преобразования, а также показана возможность применения данного аппарата в задаче защиты речевой информации [1, 3].

Описание алгоритма. Используя методы ортогонального разложения цифрового сигнала с помощью банка фильтров, можно не только сжимать и фильтровать речевой сигнал, но и проводить качественное закрытие речи. В предыдущей работе для построения таких систем защиты использовалась инверсная схема одноуровневого дискретного вейвлет-преобразования (ДВП) [2]. Использование двухуровневой схемы ДВП усложняет систему, но и позволяет несколько повысить степень закрытия информации. В неё входят три пары цифровых банков фильтров синтеза и анализа (рис. 1). Принцип работы всей системы можно разъяснить, используя одну из пар банков анализа-синтеза Основная идея защиты передачи речевой информации заключается в возможности смешивания некоторого образа речевого сигнала с ортогональной этому образу шумовой компонентой на передающей стороне с помощью банка синтеза (,) и разделения этих компонент на приемной стороне с помощью банка анализа (,). Сложность такого метода сводится к сложности операций свертки, децимации и интерполяции, которые применяются в процессе дискретного преобразования.

Рис. 1. Блок-схема системы защиты информации

Ниже приведен метод синтеза таких банков фильтров, позволяющий строить уникальные фильтры для ключевой последовательности. Такие фильтры названы согласованными вейвлет-фильтрами (СВФ), так как их импульсная характеристика формируется с учетом свойств обрабатываемого сигнала. В предложенном алгоритме защиты информации банки фильтров согласованы с уникальной ключевой последовательностью. Для синтеза каждой пары банков фильтров используется отдельный ключ, всего необходимо три ключа. Рассмотрим задачу синтеза банка фильтров (H, G).

Построение банков согласованных вейвлет-фильтров. Теория СВФ развита из следующей задачи. Пусть имеется некоторая дискретная последовательность . Введем промежуточную последовательность для априорного обеспечения наличия хотя бы одного нулевого момента частотной характеристики аппроксимирующего фильтра. Определим , где – Фурье-образ сигнала , , – операторы прямого и обратного преобразования Фурье. Требуется построить для набор ортогональных квадратурно-зеркальных вейвлет-фильтров таким образом, чтобы при её вейвлет-разложении на выходе детализирующего фильтра был ноль, т. е. все детализирующие коэффициенты вейвлет-области должны быть равны нулю.

Процедуру вейвлет-преобразования сигнала в частотной области можно записать в следующем виде: (1), где , , – Фурье-образы последовательности , интерполированных аппроксимирующих и детализирующих коэффициентов вейвлет-преобразования соответственно, а и – частотные характеристики низкочастотного и высокочастотного фильтров разложения. Из системы (1) получено выражение для H(ω):

(2)

В результате решения задачи найдены цифровые вейвлет-фильтры, согласованные с входной последовательностью. Согласованные вейвлет-фильтры «обеспечивают предсказание» детализирующих коэффициентов вейвлет-разложения по аппроксимирующим коэффициентам для сигнала, с которым они согласованы .

Результаты моделирования. Исследования проведены на речевых сигналах. На один из входов системы подается маскирующий шум, на остальные примерно одинаковые по мощности полезные сигналы. Такой принцип использован для закрытия переговоров сразу трех пользователей, хотя для более надежной защиты маскирующий шум можно подавать сразу на несколько входов. В качестве маскирующего шума используется белый гауссовский шум (БГШ) большей мощности. Рассмотрен случай работы алгоритма защиты в условиях применения стандарта ITU-T G.711 для кодирования сигналов. Результаты получены с учетом квантования сигнала в канале 8, 16 и 32 битами. Оценен допустимый уровень маскирующего шума, исходя из критерия PESQ (Perceptual Evaluation of Speech Quality, рекомендация ITU-T P.862 (02/01). Семейство стандартов PESQ обычно используется для оценки качества речи, передаваемой в телекоммуникационных системах. Для получения оценки сравнивается исходный сигнал и сигнал на выходе системы. Алгоритм использует шкалу MOS (mean opinion score, рекомендация ITU-T P.800), которая охватывает диапазон от 1 (плохо) до 5 (отлично). Использована усредненная оценка PESQ для всех пользовательских каналов. Исходя из значений PESQ, установлено, что нормальное качество передаваемого сигнала (PESQ>2,5) достижимо при M > –40дБВт, где M – отношение мощностей сигнала на одном из входов и маскирующего шума. Верхняя граница параметра M < –15дБВт определяется исходя из субъективной оценки, когда сигнал в канале полностью неразборчив. Проведена оценка помехоустойчивости системы. Исходя из значений PESQ, следует, что приемлимое качество передаваемого сигнала (PESQ>2,5) достижимо при >27дБВт, где – отношение мощностей сигнала и внешнего шума в канале связи. При увеличении мощности внешнего шума искажение полезного сигнала становится все более заметным. В представленной работе криптостойкость системы главным образом определяется соотношением уровней полезного сигнала и шума, поскольку предполагается, что на сегодняшний день не существует систем, разделяющих речевой сигнал от БГШ при при отношении сигнал/шум меньше -15дБВт. Расшифровать информацию можно, лишь зная ключ на приемной стороне, с помощью которого информация была зашифрована. Ключ может быть сгенерирован с помощью генератора псевдослучайных чисел. Существует зависимость от ключа: с увеличением длины ключа качество восстановленного сигнала ухудшается с отличного до хорошего (при 150 отсчетах и далее), что связано с накоплением ошибки в результате сверток. Прямой перебор комбинаций ключа не позволяет расшифровать сигнал, требуется недопустимо большое количество операций.

Рис. 2. Зависимость PESQ от М	Рис. 3. Зависимость PESQ от N

Выводы. В работе предложен алгоритм защиты речевой информации с использованием инверсной схемы двухуровневого вейвлет-преобразования. Для построения системы существенным являлась ортогональность квадратурно-зеркальных ВФ и уникальность ВФ, согласованных с ключом. Для построения СВФ использовалась формула (2), которая теоретически обоснована.

Для надежной защиты информации достаточно на один из входов системы подать маскирующий шум и выбрать параметр M из диапазона: –40дБВт <M < –15дБВт. Выяснено, что 8-ми и 16-ти битное квантование зашифрованного сигнала в канале обеспечивает необходимые условия для корректной защищенной передачи речевой информации. Увеличивать количество уровней квантования (32 бита) нет необходимости, приемлемо 8-ми битное квантование по стандарту G.711. Недостатком алгоритма является то, что для сохранения качества речевой информации нужно увеличить скорость передачи в канале в 4 раза. Но это не так критично для современных систем. Метод не требует синхронизации, устойчив к временным задержкам. В алгоритме применяется только свертка сигналов с импульсной характеристикой фильтров, децимация и интерполяция. Быстрые алгоритмы цифровой обработки сигналов позволяют обрабатывать сигнал в реальном времени.

Перспективным является использование алгоритма для защиты от «прослушивания» VoIP трафика в сети Интернет, телефонных переговоров сетей ISDN. Алгоритм также эффективен для защищенной передачи и других типов данных, что может найти применение в видеоконференцсвязи и передаче мультимедийной информации.

Литература

1. Куприянов, А. И. Основы защиты информации: учеб. пособие для студ. высш. учеб. заведений / А. И. Куприянов, А. В. Сахаров, В. А. Шевцов. – М.: Академия, 2006. – 256 с.

2. Новоселов, С. А. Использование согласованных вейвлет-фильтров в задаче защиты речевой информации / С. А. Новоселов, А. И. Савватин // Докл. 12-й междунар. конф.DSPA – 2010. М., 2010. – Т. 2 – С.209-211.

3. Daubechies, I. Ten Lectures on Wavelets / I. Daubechies - SIAM, Philadelphia, PA. 1992.
robust parameters EVALUATION FOR SPEECH PROTECTION SYSTEM
Savvatin A., Novikov A.

Yaroslavl State University

14 Sovetskaya st., Yaroslavl, Russia 150000, Phone: 7-4852-797775. [email protected]
Today the wavelet-analysis is a perspective direction of digital signal processing. It is effective in the most various spheres of intellectual activity. In the given work the use of wavelet-transformation for speech information transfer protected systems construction is offered. Transfer of a speech signal can be understood both protection of speech information transfer on channels in the coded kind and concealment of the information transfer fact on communication channels [1,2].

There are considered some theoretical aspects of the coordinated wavelet-transformation, and also possibility of given device application in a problem of the speech information protection. The new algorithm of the speech protection using the coordinated wavelet-transformation at the stage of formation of filterbank coordinated with a key is offered.

The offered method of information protection is based on the property of the coordinated wavelet-filters to provide "prediction" of detailing coefficients of wavelet-decomposition in line with approximating coefficients for a signal which they are coordinated with . The complete signal recovery occurs only with approximating coefficients. The form approximating and wavelet-functions initially is defined by a choice of "protective" key sequence. Separation of the additive mix of a useful signal and WGN is possible due to orthogonality of the approximating and wavelet-functions and to the properties of the coordinated filters described above. It has been detected that the system is steady against external noise. Such system of protection of the information is noiseproof. The investigated system is effective for any size of the key.

The offered algorithm is steady against decoding. For recognition of the useful signal it is necessary to know sequence of the key for which analysis filters are constructed. The key considerably influences by sight the pulse response of wavelet-filters. Uniqueness of the key for the information transfer channel allows to speak about uniqueness of wavelet-filters bank used in system.

Data transmission protection becomes more and more actual. Use of such system will be effective for both the protection of transfer of the network traffic and the radio data.

References

1. Benesty, Sondhi, Huang (Eds.) Springer Handbook of Speech Processing. // Springer 2008.

2. Daubechies I. Ten Lectures on Wavelets / I. Daubechies - SIAM, Philadelphia, PA. 1992.



УСТРАНЕНИЕ АКУСТИЧЕСКОГО ЭХА В ТЕЛЕКОММУНИКАЦИОННЫХ СИСТЕМАХ НА БАЗЕ PC
Сарана Д.В.

ФГУП “ГРЧЦ”, г. Москва
В докладе предлагается метод устранения акустического эха, применимый в условиях организации телеконференции с помощью персонального компьютера.