Hangmagasság -érzékelő algoritmus - Pitch detection algorithm
A pályát algoritmus ( PDA ) egy algoritmus célja, hogy megbecsüljük a pályán vagy alapfrekvencia egy quasiperiodic vagy oszcilláló jel, általában egy digitális felvétel a beszéd vagy egy zenei hang, vagy hang. Ez történhet az időtartományban , a frekvenciatartományban vagy mindkettőben.
A PDA -kat különböző kontextusokban használják (pl. Fonetika , zenei információ -lekérés , beszédkódolás , zenei előadás -rendszerek ), ezért az algoritmussal szemben különböző követelményeket támaszthatnak. Még nincs egyetlen ideális PDA, ezért számos algoritmus létezik, amelyek nagy része nagyjából az alább megadott osztályokba tartozik.
A PDA tipikusan megbecsüli a kvaziperiodikus jel időszakát, majd megfordítja ezt az értéket, hogy megadja a frekvenciát.
Általános megközelítések
Az egyik egyszerű megközelítés a jel nulla átlépési pontjai közötti távolság mérése (azaz a nulla átlépési arány ). Ez azonban nem működik jól bonyolult hullámformákkal, amelyek több szinuszhullámból állnak, különböző periódusokkal vagy zajos adatokkal. Mindazonáltal vannak olyan esetek, amikor a nulla keresztezés hasznos intézkedés lehet, például néhány beszédalkalmazásban, ahol egyetlen forrást feltételeznek. Az algoritmus egyszerűsége miatt "olcsó" a megvalósítása.
A kifinomultabb megközelítések összehasonlítják a jelszegmenseket más szegmensekkel, amelyeket egy próbaidő eltol, hogy megtalálják a megfelelőt. Az AMDF ( átlagos nagyságrendi különbségfüggvény ), az ASMDF (átlagos négyzetes átlagkülönbség -függvény) és más hasonló autokorrelációs algoritmusok működnek így. Ezek az algoritmusok meglehetősen pontos eredményeket adhatnak erősen periodikus jelek esetén. Azonban hamis észlelési problémáik vannak (gyakran " oktáv hibák "), néha rosszul tudnak megbirkózni a zajos jelekkel (a megvalósítástól függően), és - alapvető megvalósításukban - nem foglalkoznak jól a polifónikus hangokkal (amelyek több zenei hangot tartalmaznak különböző hangmagasságok).
A jelenlegi időtartományú hangmagasság-érzékelő algoritmusok általában a fent említett alapvető módszerekre építenek, további finomításokkal, hogy a teljesítmény jobban megfeleljen a hangmagasság emberi értékelésének. Például a YIN és az MPM algoritmus egyaránt autokorreláción alapul .
Frekvencia-tartomány megközelítések
Frekvenciatartomány, többszólamú észlelés lehetséges, általában a periodogram segítségével alakítják át a jelet a frekvencia spektrum becslésévé . Ez a kívánt pontosság növekedésével több feldolgozási teljesítményt igényel, bár az FFT jól ismert hatékonysága , a periodogram algoritmus kulcsfontosságú része, sok célra alkalmassá teszi.
A népszerű frekvenciatartomány -algoritmusok a következők: a harmonikus termékspektrum ; ceptrális elemzés és a legnagyobb valószínűség, amely megpróbálja a frekvenciatartomány jellemzőit az előre meghatározott frekvencia-térképekhez igazítani (hasznos a rögzített hangolóművek hangmagasságának észleléséhez); és a csúcsok észlelése a harmonikus sorozatok miatt.
A diszkrét Fourier -spektrumból származó hangmagasság -becslés javítása érdekében olyan technikák alkalmazhatók, mint a spektrális átrendelés (fázis alapú) vagy a Grandke interpoláció (nagyságrend alapú), hogy meghaladják az FFT tárolók által biztosított pontosságot. Brown és Puckette egy másik fázis-alapú megközelítést kínál
Spektrális/időbeli megközelítések
A spektrális/időbeli hangmagasság -felismerő algoritmusok, pl. A YAAPT hangmagasság -követés, az időtartomány -feldolgozás kombinációján alapulnak, autokorrelációs funkcióval, például normalizált keresztkorrelációval, és a frekvenciatartomány -feldolgozással, amely spektrális információkat használ a hangmagasság azonosításához. Ezután a két tartományból becsült jelöltek között dinamikus programozással kiszámítható a végső pályaszám . Ezeknek a megközelítéseknek az az előnye, hogy az egyik tartomány nyomonkövetési hibáját csökkentheti a másik tartományban zajló folyamat.
Beszédmagasság -érzékelés
A beszéd alapvető gyakorisága 40 Hz-től alacsony hangúaknál 600 Hz-ig változhat.
Az autokorrelációs módszereknek legalább két hangmagasság -periódusra van szükségük a hangmagasság észleléséhez. Ez azt jelenti, hogy a 40 Hz -es alapfrekvencia észleléséhez a beszédjel legalább 50 milliszekundumát (ms) kell elemezni. 50 ms alatt azonban a magasabb alapfrekvenciájú beszéd nem feltétlenül rendelkezik ugyanazzal az alapvető frekvenciával az egész ablakban.
