On decomposing speech into modulated components

Rao, A. N. V.; Kumaresan, R.

doi:10.1109/89.841207

Cited by 72 publications

(36 citation statements)

References 28 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…9, where x½n is given by Eq. (13). For each original mono-component signal x k ½n, the extracted AM-FM mono-component signal y p ½n; p ¼ 1; 2; …; S, that provides the minimum value of the ESR is chosen.…”

Section: Extraction Of Components From a Multi-component Signal With mentioning

confidence: 99%

“…However, the method in [12] requires manual determination of the range of FB coefficients for the extraction of mono-component signals. The adaptive filter bank has been used to decompose a multi-component signal into mono-component signals [13]. The determination of the number of filters required to track emerging and decaying time-varying mono-component signals, tracking of bandwidth and center frequencies of all strong mono-components signals, attaining the desired frequency resolution, determination of the required adaptation rate of filter parameters and requirement of adaptive all-zero filters are key challenges of [13].…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

An iterative approach for decomposition of multi-component non-stationary signals based on eigenvalue decomposition of the Hankel matrix

Jain

Pachori

2015

Journal of the Franklin Institute

View full text Add to dashboard Cite

Section: Extraction Of Components From a Multi-component Signal With mentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

An iterative approach for decomposition of multi-component non-stationary signals based on eigenvalue decomposition of the Hankel matrix

Jain

Pachori

2015

Journal of the Franklin Institute

View full text Add to dashboard Cite

“…This can lead to errors, especially for components close in the frequency domain. A solution to this problem is to use all-zero filters to cancel interference from other components (Rao and Kumaresan, 2000).…”

Section: Multiple Frequency Trackingmentioning

confidence: 99%

Adaptive tracking of EEG oscillations

Zaen

Uldry

Duchêne

et al. 2010

Journal of Neuroscience Methods

View full text Add to dashboard Cite

“…Jumlah yang tak terhingga dapat ditekan dengan menampilkan bagianbagian yang dianggap mewakili, namun kualitas akan menurun seiring dengan semakin sedikitnya jumlah bagian sinyal yang dipakai untuk mewakili keseluruhan sinyal. Sinyal suara dapat didekomposisikan dalam bentuk komponen termodulasi seperti dinyatakan oleh Rao [18]. Selain itu sinyal suara dapat juga dimodelkan dalam bentuk modulasi amplituda dan modulasi frekuensi [19].…”

Section: Model Sinusoidaunclassified

Model Sinusoida Secara Segmental Untuk Pengkodean Sinyal Suara

Setiawan¹,

Soegijoko²,

Sugihartono³

et al. 2010

MST

View full text Add to dashboard Cite

AbstrakSinyal yang periodik dapat didekomposisikan ke dalam bentuk sinusoida dengan menggunakan bantuan deret Fourier. Berdasarkan karakteristik sinyal suara yang demikian, maka dapat dilakukan pemodelan dengan mengacu pada bentuk sinusoida. Dengan menggunakan model sinusoida dapat dilakukan proses kuantisasi untuk mengkodekan sinyal suara pada laju yang rendah. Metode sinusoida telah banyak digunakan untuk mengkodekan sinyal suara. Dengan metode tersebut satu blok sinyal suara selebar 20 milidetik sampai dengan 30 milidetik dapat dikodekan dengan menggunakan koefisien deret Fourier. Metode baru yang diusulkan adalah kuantisasi dan rekonstruksi sinyal suara berdasarkan model sinusoida secara segmental. Segmen yang diambil adalah antara satu nilai puncak tertentu menuju ke nilai puncak berikutnya yang berlawanan, bukan berupa blok sinyal dengan panjang yang tetap seperti pada metode sinusoida yang sudah ada. Pengkode yang dirancang terdiri atas bagian enkoder dan dekoder. Enkoder berfungsi untuk mengkodekan sinyal suara pada laju variabel. Sinyal terkode selanjutnya dikirimkan ke penerima. Pada sisi penerima terdapat dekoder berfungsi untuk mengembalikan bentuk sinyal agar sesuai dengan asalnya dengan kualitas yang tidak jauh berbeda. Berdasarkan hasil percobaan diperoleh nilai rata-rata SNR segmental lebih dari 20 dB. AbstractSegmental Sinusoidal Model for Speech Signal Coding. Periodic signal can be decomposed by sinusoidal component with Fourier series. With this characteristic, it can be modeled referring by sinusoidal form. By the sinusoidal model, signal can be quantized in order to encode the speech signal at the lower rate. The recent sinusoidal method is implemented in speech coding. By using this method, a block of the speech signal with 20 ms to 30 ms width is coded based on Fourier series coefficients. The new method proposed is quantization and reconstruction of speech signal by the segmental sinusoidal model. A segment is defined as a block of the speech signal from certain peak to consecutive peak. The length of the segment is variable, instead of the fixed block like the recent sinusoidal method. Coder consists of the encoder and the decoder. Encoder works to code speech signal at variable rate. Then coded signal will be transmitted to receiver. On the receiver, coded signal will be reconstructed, so that the reconstruction signal has the near quality compared with the original signal. The experimental results show that the average of segmental SNR is more than 20 dB. : peak, period, quantization, segmental, sinusoidal Keywords PendahuluanJumlah kanal yang tersedia untuk komunikasi menjadi semakin terbatas seiring dengan makin pesatnya penggunaan kanal komunikasi. Kapasitas kanal yang terbatas mendorong untuk terus melakukan efisiensi di semua bagian pada sistem komunikasi. Komunikasi suara pada lebar pita 4 kHz pada format PCM 8-bit menyebabkan kanal harus menyediakan lebar pita 64 kbps untuk dapat mengirimkan informasi yang dapat ditangkap sesuai dengan aslinya. Pada perkembangannya, telah d...

show abstract

On decomposing speech into modulated components

Cited by 72 publications

References 28 publications

An iterative approach for decomposition of multi-component non-stationary signals based on eigenvalue decomposition of the Hankel matrix

An iterative approach for decomposition of multi-component non-stationary signals based on eigenvalue decomposition of the Hankel matrix

Adaptive tracking of EEG oscillations

Model Sinusoida Secara Segmental Untuk Pengkodean Sinyal Suara

Contact Info

Product

Resources

About