مقاله در مورد تغییر شدت روشنایی با صوت به روش plc

اختصاصی از اس فایل مقاله در مورد تغییر شدت روشنایی با صوت به روش plc دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

 تعداد صفحه101

بخشی از فهرست مطالب

فهرست

چکیده 1

بخش 1 : 57

1-1 ارتباط PLC , مشکلات , تکنیکهای مدرن 57

1-2 مصارف PLC 57

1-3 مشکلات ارتباط از طریق خط برق 58

1-3-1 امپدانس و تضعیف کانال خط برق 58

1-4 مدلهای کانال خط برق 60

1-5 پهنای باند 61

1-5-1 استانداردها برای ارتباط از طریق خط برق 62

1-6  نتیجه گیری 62

بخش 2 : نکات عملی 64

2-1  خلاصه 64

2-2 روشهای مدولاسیون 64

Frequency Shift keying 64

Phase shift keying 67

2-3 شبکه کوپلینگ 70

2-4 روشهای کنترل خطا 74

2-4-1 روش ردیابی خطا 74

2-4-2 روشها اصلاح خطا 75

2-5 توصیه هایی برای کنترل خطا در PLC 76

2-6  نتیجه گیری 76

بخش 3 : تحقیق عملی سیستم 77

3-1 خلاصه 77

3-2 اهداف 77

3-3 از تئوری به عملی 77

3-3-1 سیستم مدولاسیون Spread – Spectrum 77

3-3-2 شبکه کوپلینگ 81

3-4 اجرای سیستم 2 لایه ای 82

3-4-1 طرح FSK 83

3-4-2 شبکه کوپلینگ 85

3-5 تست کردن لایه اول 86

3-6 اجرای لایه دوم و ارتقاء عملکرد لایه اول 88

3-6-1 طرح Spread – Spectrum 88

3-6-2 اجرای پرشهای فرکانسی 90

3-6-3 چک کردن خطا و اصلاح آن 91

3-7 92

بخش 4 : مدار طراحی شده در این پروژه 94

4-1 خلاصه 94

4-2 شرحی جامع بر نحوه عملکرد سیستم 94

4-3 شرح کاملی بر تک تک قسمتهای مدار 95

فهرست مطالب بخش PLC                                   چکیده:

مقدمه:

فصل اول

مروری بر بازشناسی گفتار

1-1) پردازش بر روی گفتار به دو دسته کلی تقسیم می شود:

1-2) مقدمه ای بر بازشناسی گفتار:

1-3) پارامترهایی که در کارایی یک سیستم بازشناسی گفتار موثرند و تعیین کننده میزان پیچیدگی سیستم می باشند عبارتند از:

1-3-1) بازشناسی وابسته به گوینده و مستقل از گوینده:

1-3-2) باز شناسی لغات مجزا و گفتار پیوسته:

1-3-3) اندازه دایره لغات:

1-3-4) تشخیص حدود کلام:

1-3-5) نویز محیط:

1-3-6) محدودیتهای زبانی:

1-4) روش های متداول بازشناسی :

1-5) فرایند تولید گفتار:

1-6) انواع نواحی پایدار:

1-7) Spectrogram

1-8) ساختار فایلهای Wave

فصل دوم

تئوریDTW

2-1)مقدمه:

2-2) اصول روش DTW

2-3) محاسبه فاصله محلی

2-4) محاسبه فاصله عمومی(فاصله کلی)

2-5)ناحیه محدود شده

3-5)الگوریتم DTW

فصل سوم

استخراج بردار ویژگیها

3-1)مقدمه:

3-2) روشهای استخراج بردار ویژگیها

3-3) LPC

3-3-1) روابط تحلیلLPC

3-4)ضرایب Cepstral:

3-5) وزن دهی ضرایب

فصل 4 :

4-1 استخراج مشخصات و پردازش سیگنال :

4-2 pre – emphasis

4-3 Frameblocking  windowing

4-4 autocorrelation

4-5 فرمول Lpc

4-6 Parameter  weighting

فصل 5

ایجاد الگوی اولیه :

• کوانتیزه کردن برداری : (VQ)
• ایجاد پایگاه اطلاعاتی
• ایجاد پایگاه اطلاعاتی
• ایجاد پایگاه اطلاعاتی

5-3 الگوریتم     K – means

فلوچا

  چکیده  

امروزه با پیشرفت علوم کامپیوتر و استفاده از کامپیوترهای شخصی و ذخیره کردن اطلاعات شخصی وجود سیستمی که تنها به آن شخص اجازه دسترسی به اطلاعات را بدهد لازم به نظر می رسد. علاوه بر این استفاده از پردازش سیگنال صوت در پزشکی و تشخیص از طریق سیگنال صوت می تواند بسیار مفید باشد. روش های بسیاری برای تشخیص صوت به کار می روند و مراحل زیادی برای تشخیص، تجزیه و تحلیل صوت وجود دارد. تشخیص صوت ها معمولاً با ایجاد نمونه های دیجیتال از صوت انجام می گیرد که این روش های ایجاد طیف می تواند

M FCC (MCL frequency cepstral  coefficients)

LPC (linear predictive coding)

 و یا روشی coch lea باشد و در مرحله بعد نمونه های صوت کوانتیزه می شوند و در دسته بندی های مشخص قرار می گیرند و بعد هم سیگنال های آماده شده مقایسه می شوند تا کمترین فاصله بین آنها به عنوان نمونه مورد قبول انتخاب شود و سیگنال  ورودی تشخیص داده شود. این مرحله تشخیص نیز می تواند با استفاده از روش های گوناگون از جمله:

DTW (Dynamic time warping )

HMM (Hidden Markov Models)

NNS (Neural Network )

به طور جداگانه یا مجموعه ای از این روش ها انجام شود که در این پروژه علاوه بر همه روش ها از DTW به عنوان روش مقایسه ای استفاده می کنیم و با کمک نرم افزار C برنامه ای را برای انجام مقایسه و انجام کلیه مراحل پردازش سیگنال در اختیار خوانندگان قرار می دهیم. البته در این پروژه هدف از تشخیص صوت دریافت دستور و پردازش و تشخیص آن صوت برای تغیر شدت روشنایی میباشد.

Plc (Power Line Carrier)

مقدمه:

گفتار راه طبیعی و مفید برای رد و بدل کردن اطلاعات بین انسان هاست. برای ساختن یک کامپیوتر هوشمند این مسأله مهم است که ماشین می تواند "بفهمد" و به اطلاعات داده شده "عمل کند" و همچنین برای تکمیل اطلاعات صحبت کند.

بنابراین تشخیص صوت برای یک کامپیوتر جهت دستیابی به هدف ارتباط کامپیوترها با انسان لازم است. با بیش از چهل سال تحقیق و الگوریتم های زیادی برای تشخیص صوت اتوماتیک ایجاد شد. روش " مقایسه نمونه" یکی از بهترین دستاوردها می باشد. در این روش سیستم یک یا چند نسخه اصلی برای هر واژه ذخیره می کند و سیگنال صوت وارد شده را با هر کدام از آنها برای پیدا کردن نزدیکترین گزینه مقایسه می کند. این فرایند شامل دو مرحله است:

1. آماده کردن نمونه های اولیه
2. تشخیص سیگنال ورودی از طریق روش های مقایسه نمونه

ابتدا فرایند پردازش این الگو را برای هر حرف در واژه ایجاد می کند. سیگنال صوت در قسمت پردازش به فرم هایی با طول مساوی تقسیم می شود سپس واحد acoustic front – end هرفریم را به یک نمودار مشخصه تبدیل می کند که تمام خصوصیات سیگنال آن فریم خاص را در بر دارد. این نمودارهای مشخصه به گروه هایی توسط بلوک طبقه بندی نمونه) تقسیم می شوند تا مدل هایی از یک کلمه را ایجاد کنند. این فرایند برای تمام حروف در یک واژه تکرار می شوند. تصور کلی چنین است که اگر از یک نمونه اندازه کافی نسخه داشته باشیم مرحله پردازش باید بتواند مشخصات صوتی نمونه را به اندازه کافی بیان کند. فرایند تشخیص ابتدا سیگنال ناشناس را به کمک همان acoustic front – end که در فرایند سیگنال اولیه استفاده شد به نمودار مشخصه تبدیل می کند. سپس این نمودار مشخصه با هر کدام از نمونه های آماده شده سیگنال اولیه مقایسه می شوند که این مقایسه در بلوک pattern – matching  انجام می شود.

یک فرایند تشخیصی بر پایه بهترین مقایسه است که این مقایسه بر اساس یک عملکرد فاصله بین دو نقطه از نمودار مشخصه تعریف می شود که یکی از این نقاط روی نمودار مشخصه سیگنال ورودی و دیگری روی نمودار سیگنال ذخیره شده است.

هدف این پروژه این است که با معرفی یک تصویر کلی از تشخیص صوت برای دانشجویان مهندسی که بتوانند یک برنامه تشخیص C بنویسند که از روش DTW استفاده کنند. یکی از مشکلات اساسی در پردازش سیگنال ها به عینیت در آوردن مسائل تئوری و دیدگاههای کلی است. این پروژه به توانایی مهم زیر دست خواهد یافت:

1. گزینش DTW : یک سیگنال ورودی و یک الگو را می دهد. این واحد باید بتواند بهترین مسیر گزینشی را پیدا کند و همچنین باید بتواند سیگنال را تشخیص بدهد و بهترین گزینه را ارائه دهد.

به طور کلی در بخش های مختلف به مطالب زیر می رسیم:

1. به بحث Lpc می پردازد که یک نمودار مشخصه را برای سیگنال ها ایجاد می کند.

روش های مختلف محاسبه DF:

1. روش هایی را نشان می دهد که سیگنال اولیه تا پردازش می کند و الگو را ایجاد می کند و این سیگنال را ذخیره می کند.
2. معرفی الگوریتم (DP) و کاربرد آن در تشخیص صوت (DTW) که آن یک الگوریتم است برای محاسبه فاصله بین دو نمودار مشخصه.
3. خلاصه و نتیجه گیری و در نهایت هم مراجع و منابع معرفی شده اند.

فصل اول

مروری بر بازشناسی گفتار

1-1) پردازش بر روی گفتار به دو دسته کلی تقسیم می شود:

1) تبدیل متن به گفتار (Text. To. Speech): تبدیل متن به گفتار به این صورت است که ورودی، صفحه کلید است و متنی را که می خواهیم به گفتار تبدیل شود تایپ می کنیم و در خروجی که بلندگو می باشد، متن تایپ شده را بصورت صوتی (صدای انسان) خواهیم داشت.

(Windows xp speech properties)

2) تبدیل گفتار به متن (Speech . to. Text): تبدیل گفتار به متن به این صورت است که ورودی میکروفون می باشد. کافی است متنی را که می خواهیم تایپ شود، بخوانیم و در خروجی که پرینتر یا مانیتور می باشد متن مورد نظر را بصورت تایپ شده خواهیم داشت.(Windows XP speech properties)

1-2) مقدمه ای بر بازشناسی گفتار:

        سیستمهای بازشناسی گفتار فعلی با کارایی قابل قبول در یکی از سه دسته زیر قرار می گیرند:

• سیستمهای با دایره لغات کوچک(10 تا 100 لغت). Isolated Words
• سیستمهایی که در آنها لغات جدا از هم ادا می شوند(دایره لغات تا 1000 لغت نیز می تواند افزایش یابد).Connected Words
• سیستمهایی که گفتار پیوسته را می پذیرند اما با کاربردهای محدود سرو کار دارند. به عنوان مثال پیامهای مرتبط با کارهای اداری در یک شرکت خاص(که در این حالت دایره لغات معمولاً بین 1000 تا 5000 لغت را شامل می شود.(Continuous Words)

در کاربردهای عملی اکثراً سیستمهای با دایره لغات کوچک و گفتار گسسته مورد استفاده قرار می گیرند. این سیستمها می توانند در بسیاری از کاربردهای نسبتاً ساده برای تسهیل و افزایش راندمان در ورود اطلاعات به دستگاه (خصوصاً در جاهایی که استفاده از دست بطور مستقیم ساده نبوده و خطرناک باشد) به کار گرفته شوند.

تمام سیستمهای بازشناسی، در حالتی که نیاز به تشخیص گفتار یک یا چند گوینده خاص باشد، بهتر عمل می کنند. همچنین بیانهای واضح به بازشناسی بهتر، کمک می کنند. در کاربردهای واقعی بازشناسی گفتار، سیستم باید بتواند گفتار چندین گوینده با لهجه های مختلف و طرق مختلف صحبت را که چندان نیز واضح نیستند، در محیط های نویزی تشخیص دهد. در حال حاضر هستند(HMM). سیستمهای جدید در واقع جبران کمبود اطلاعات مدلسازی دقیق را می نمایند. اما در ازای آن دارای محاسبات زیادی چه در فاز یادگیری و چه در فاز تشخیص می باشند.

1-3) پارامترهایی که در کارایی یک سیستم بازشناسی گفتار موثرند و تعیین کننده میزان پیچیدگی سیستم می باشند عبارتند از:

1. بازشناسی وابسته به گوینده و مستقل از گوینده.

1. بازشناسی لغات مجزا و گفتار پیوسته.
2. وسعت دایره لغات.
3. تشخیص حدود کلام
4. تشخیص گفتار در محیط نویزی و نوع نویز محیط.
5. محدودیت های زبانی گفتار(لهجه یا گویش)

در قسمت بعدی بصورت اختصار موارد بالا را مورد بررسی می گیرد.

1-3-1) بازشناسی وابسته به گوینده و مستقل از گوینده:

در سیستم وابسته به گوینده در هنگام بازشناسی از همان گوینده ای استفاده می شود که در هنگام آموزش نیز از او استفاده شده است. در سیستمهای مستقل از گوینده چندین نفر برای آموزش استفاده کرده ایم، استفاده کنیم.

در سیستمهای وابسته به گوینده این مشکل وجود دارد که هر بار که نیاز به گفتار گوینده جدیدی باشد، لازم است که سیستم دوباره بوسیله گوینده جدید آموزش داده شود. ولی مزیتی که این روش دارد این است که این سیستم به نتایج بهتری در بازشناسی در مقایسه با یک سیستم مستقل از گوینده دست می یابد.

1-3-2) باز شناسی لغات مجزا و گفتار پیوسته

در سیستم بازشناسی لغات مجزا از بیانهای مجزای گفتار برای آموزش استفاده می شود. چون بیانهای مجزا اغلب لغات هستند، این نوع بازشناسی گفتار معمولاً بازشناسی  " لغات مجزا" نامیده می شود. در فاز تشخیص فرض بر این است که گوینده جملاتی را با فواصل به اندازه کافی طولانی بین لغات ادا می کند. معمولاً حداقل زمان چند دهم ثانیه لازم است تا سکوت با اصوات ضعیف اشتباه نشود.

در سیستم بازشناسی گفتار پیوسته که پیچیده ترین سیستم بازشناسی است، گوینده پیغام خود را به صورت یک جمله عادی بیان  می کند. در مرحله اول سیستم باید بتواند مرزهای متغیر ناشناخته در گفتار را تشخیص دهد. در مرحله بعد اثرات  هم ادایی که شامل اثرات اصوات بر یکدیگر و نیز افزودن یا حذف برخی اصوات است توسط سیستم در نظر گرفته می شود.

در این حالت در مدلسازی ، واحدهای زیر لغوی (سیلاب، فونم، فون و ... ) همبستگی های بین کلمه ای و داخل کلمه ای اصوات مد نظر قرار می گیرند.

در بازشناسی گفتار پیوسته با دایره لغات کوچک ، تکنیک دیگری به نام بازشناسی گفتار متصل(connected word)مورد استفاده قرار می گیرد. در این روش یک جمله توسط سر هم کردن مدل های ساخته شده برای لغات مجزا تشخیص داده می شود. در این روش مدل کردن اثرات ناشی از پشت سر هم قرار گرفتن کلمات یا اثرات همبستگی بین کلمه ای و داخل کلمه ای مورد نظر نمی باشد.

1-3-3) اندازه دایره لغات:

با افزایش اندازه دایره لغات، هم کارایی و هم سرعت سیستم بازشناسی گفتار کاهش یافته و میزان حافظه لازم در سیستم افزایش می یابد.

به طور معمول سیستمهای با اندازه دایره لغات100-1 کلمه ، سیستمهای با اندازه لغات "کوچک" 1000-100 کلمه ، اندازه" متوسط" و بیشتر از 1000 کلمه ، اندازه " بزرگ" خوانده می شوند.

سیستمهای با دایره لغات کوچک در کاربردهایی نظیر تشخیص کارت اعتباری و شماره تلفن مورد استفاده قرار می گیرند. مانند شماره گیرهای  صوتی در گوشیهای تلفن همراه. تمرکزسیستمهای با دایره لغات متوسط در سیستمهای آزمایشگاهی تحقیقاتی روی تشخیص گفتار پیوسته می باشد و سیستمهای با دایره لغات بزرگ نیز در تولیدات تجاری و در کاربردهای گوناگون به کار گرفته شده اند. مانند فرهنگ لغات گویا و مترجمهای جیبی.

برای کاربردهای با دایره لغات کوچک (به عنوان مثال تشخیص رشته های عددی) اغلب روشهای بازشناسی لغت مجزا استفاده میشوند. در این موارد مدلی برای هر کلمه از دایره لغات در سیستم موجود است و برای تشخیص هر کلمه ، کلیه مدلها تست می شوند. هر جه دایره لغات بزرگتر شود آموزش و ذخیره سازی مدل برای هر کلمه و نیز بازشناسی مشکلتر می گردد. معمولاً در این حالت مدلهایی با اجزای زیر لغوی در نظر گرفته می شود و الگوریتم های جستجو برای تشخیص ، پیچیده تر می شوند و در عین حال برای حذف اجزای بی معنی و نامناسب در جملات باید از محدودیت های زبانی ( نظیر محدودیت های گرامی و معنایی) نیز بهره جست.

1-3-4) تشخیص حدود کلام:

تعیین صحیح نقاط ابتدا و انتهای گفتار در بسیاری از تکنیک های بازشناسی لغات مجزا سبب بالا رفتن کارایی سیستم خواهد شدو مسئله تعیین حدود کلام در عمل مسئله مشکلی میباشد. لغت هایی که با فونمنهای کم انرژی شروع می شوند یا لغاتی  که به انفجار غیر مصوت ختم می شوند، مشکل زا خواهند بود. علاوه بر این برخی گویندگان عادت دارند که کلمات را کشیده ادا کنند. برخی دیگر در انتهای لغات نویز انفجاری ناشی از نفس کشیدن را اضافه می کنند. به علاوه مشخص است که نویز زمینه نیز میتواند باعث اشتباه در تعیین حدود کلام گردد. به خصوص در حالتی  که نویز غیر ایستان باشد با توجه به اینکه نمی توان آنرا درست مدل کرد، مسئله دشوارتر خواهد بود.

روشهای قدیمی تر تعیین ابتدا و انتهای گفتار، مبتنی بر معیار انرژی و معیار عبور از سطح صفر بوده اند. این روشها در کاربردهای ساده قابل اجرا می باشد. به عنوان مثال در مواقعی که گفتار دارای پهنای باند محدود(کمتر از 3 کیلو هرتز) باشد میتوان معیار انرژی را به تنهایی مورد استفاده قرار داد.

با توجه به مسائلی که در بالا برای تعیین حدود کلام مطرح گردید، معیار انرژی بجز در برخی کاربردهای محدود، دچار مشکل خواهد شد. یکی از اساسی ترین مشکلات ، طبیعت غیر ایستادن انرژی صوت در طول کلمه می باشد. آستانه های تعیین شده در روش های مذکور ، برای یک لغت با صدای بلند ممکن است برای فون ضعیفتر دیگری (حتی در خود کلمه) مناسب نباشد. بنابراین دو کار می توان انجام داد. یا آستانه های انرژی مناسب با انرژی سیگنال را در آن زمان مرتباً تغییر داد یا آستانه را ثابت قرار داده و انرژی سیگنال را در زمانهای مختلف نرمالیزه نمود. این روش نرمالیزه کردن از دو جهت مفید می باشد. اولاً کلماتی که پشت سر هم ادا شده و یک جمله را تشکیل داده اند به طور معمول از ابتدا تا انتهای جمله دارای کاهش انرژی هستند که روش نرمالیزه کردن فوق این مسئله را جبران می کند. ثانیاً مشکل دیگری در مورد اصوات ضعیف ابتدا و انتهای کلمات وجود دارد که با اعمال این روش تا حد زیادی کاهش می یابد.

مشکل اصوات انفجاری انتهای کلام به این صورت حل می شود که تعیین انتهای کلمه منوط به مشاهده  حداقل تعدادی فریم سکوت باشد. به طرز  مشابه مسئله صداهای زمینه گذرا که به عنوان کلام شناسایی میشوند، بدین طریق مرتفع  می گردد که تعیین کلمه منوط به مشاهده حداقل تعدادی فریم گفتار باشد.

روش دیگری نرمالیزه کردن سیگنال ، روش نرمالیزه کردن زمانی است که در شکل  1 به نمایش در آمده است.