Belegarbeit (.pdf - 2.3 MB) - Technische Universität Dresden

3. ALLGEMEINER AUFBAU EINES SPRACHERKENNERS 16
menschliche Sprache einen Frequenzbereich von 50Hz bis 8kHz umfasst, ist es zum Beispiel sinnvoll
alle darunter und darüber liegenden Frequenzanteile des Signals zu entfernen.
Grenzdetektion:
Bei einem eintreffenden Signal muss es sich allerdings nicht zwangsläufig ein Sprache handeln. Mit
Hilfe der Grenzdetektion soll nun herausgefunden werden wo der Sprachteil beginnt beziehungsweise
endet. Dazu existieren zwei Verfahren. Das Erste arbeitet im Zeitbereich. Es wertet die Energiesumme
des Signals über einen bestimmten Zeitraum aus um eine Grenzdetektion vornehmen zu können. Wird
ein Schwellwert überschritten muss es sich um ein Sprachsignal handeln. Beim analytischen Verfahren
hingegen werden bestimmte Merkmale aus dem Eingangssignal extrahiert und mit Hilfe verschiedener
Entscheidungsregeln wird überprüft, ob die Merkmale des Eingangssignals mit den Merkmalen eines
Sprachsignals übereinstimmen.[2]
Normierung, Pegelanpassung:
Damit die spätere Mustererkennung erheblich einfacher ablaufen kann wird das Signal zusätzlich angepasst,
sprich normiert. Der größte Pegel des Signals wird dabei auf einen vordefiniert Maximalwert
gesetzt und alle anderen Pegel im Verhältnis zu dieser Änderung angepasst.[3]
3.1.2 Spezielle Vorverarbeitung
Quellenlokalisation und -verfolgung:
Dieses Verfahren dient wie die Vorfilterung dazu Umgebungslärm auszufiltern. Dabei wird versucht den
sogenannten Cocktailparty-Effekt 2 nachzubilden. Anstelle eines einzelnen Mikrofons und eines sehr
komplexen Lärmfiltersystems werden bei diesem Verfahren mehrere Mikrofone verwendet. Dadurch entstehen
unterschiedliche Aufnahmen des Signals, mit deren Hilfe man verschiedene Schallquellen voneinander
unterscheiden, Echos kompensieren und Störungen unterdrücken kann.[9]
Segmentierung:
Die Segmentierung ist der letzte Schritt der Vorverarbeitung. Das gefilterte und normierte Sprachsignal
wird hierbei in Segmente gleicher Länge aufgeteilt. Sie haben eine Dauer von 10ms bis 25ms, werden
mit Hilfe einer Fensterfunktion, wie zum Beispiel dem Hamming-Fenster, gewonnen und können einan-
2 Cocktailparty-Effekt bezeichnet die Fähigkeit des menschlichen Gehörs, sich bei vielen Signalquellen auf ein einzelnes
Signal zu konzentrieren und alle anderen auszublenden.