O‘zbekiston respublikasi fanlar akademiyasi

n
j
n
j
x t
c t
r t




(15) 
Бу ерда — ҳисоблаш давомида ўрнатилган эмпирик режимлар сони 
Сигнални эмпирик декомпозициялаш алгоритми қуйидаги алмаштириш 
амалларни ўз ичига олади: 
1.
сигналдаги барча 
локал экстримумлар жойлашуви, яъни 
жараённинг максимум ва минимумлари ҳамда бу нуқталардаги қийматилари 
аниқланади (8-расм). Ушбу экстремумлар орасида сигналнинг барча ахборотлари 
жамланган бўлади. Барча максимумлар ва минимумлар учун 
координаталар 
ва уларга мос 
амплитуда қийматларни алоҳида массивиларга 
гуруҳлаймиз. Бунда минимум ва максимумлар массивларининг сатрлар сони 
бирдан ортиқ қийматга фарқ қилмаслиги керак.

---

88 
8-расм. Сигнал экстремумларини локаллаштириш. 
2. Сплайнларни (ёки бошқа усулни) қўллаш орқали минимум ва 
максимумлар асосида қуйи 
ва юқори 
қамраб олувчи жараённи 
ҳисоблаймиз (9-расм). Юқори ва қуйи қамраб олувчи жараён учун 
ўрта 
қийматлар функциясини аниқлаймиз(9-расм). 
9-расм. Экстремумлар интерполяцияси ва қамраб олувчи чизиқларни қуриш. 
 
Қамраб олувчи эгри чизиқлар орасидаги ўрта қийматлар функциясини 
аниқлаймиз. 
 
 
 


1
,
2
t
b
u k
u k
m k


(16) 
ва 
сигналлар орасидаги фарқ 
функция

саралашнинг 
биринчи компонентасини ифодалайди ва биринчи IMF функцияга биринчи 
яқинлашиш ҳисобланади: 
(17)
3. 
функция сифатида 
ни олиб, 1- ва 2- амалларни такрорлаймиз 
ва биринчи IMF функцияга иккинчи яқинлашиш 
ҳисобланади. 
(18) 
Навбатдаги қадамлар ҳам шу каби амалга оширилади: 
(19) 
Итерациялар сони ошгани сари 
нолга интилади, 
функция эса 
ўзгаришсиз шаклга келади. 
нинг якуний қиймати IMF оиласининг энг 
юқори частотали функцияси 
сифатида қабул қилинади. У 
бевосита 
сигнал таркибига киради. Бу сигнал таркибидан 
ни чиқариб 
юбориш имконини беради ва кам частотали ташкил этувчиларни қолдиради. 
(20) 
Шакллантирилган алгоритм асосида юқори частотали ташкил этувчиларни 
сигнал таркибидан чиқариб юборишнинг график ифодаси 10-расмда келтирилган. 
10-расм. Сигналнинг паст частотали қисмини аниқлаш 

---

89 
1-3 декомпозиция амалларини бажариб навбатдаги ички режим 
функциясини аниқлаймиз. Бунда кирувчи сигнал 
қолдиқ ҳисобланади. 1-3 
қадамлар барча 
кетма-кетликлар учун такрорланиши мумкин. Бунда натижа 
қуйидаги ҳисоблашлар кетма-кетлиги кўринишида бўлади: 
(21) 
EMD усули идеал қолдиқ ва экстримумлар бўлмаганда якунланади. Бу 
қолдиқ константа ёки монотон функция эканлигини билдиради. Ҳисоблаб 
чиқилган IMFs лар симметрик ва уникал локал частоталарга эга. Турли IMFs 
айнан бир вақтда бир хил частотани кўрсатмайди [5].
Хулоса. Фурье ва вейвлет алмаштириши уларда фойдаланилган яхши 
асосланган математик усуллар ва уларни амалга ошириш учун самарали 
алгоритмлар мавжудлиги ҳисобига кенг фойдаланилади ҳамда машхур 
ҳисобланади. Бундан ташқари бу алмаштиришлар амалда кўрсатилгандек 
етарлича универсал ва турли соҳаларда самарали қўлланилиши мумкин. Лекин 
амалий фойдаланиш учун фақат ностационар жараёнлар билан ишлаш имконини 
берувчи алмаштиришлар эмас, балки базис алмаштиришлардан ҳам фойдаланиш 
зарур бўлади. Бундай ҳолларда қўйилган масалани Гильберт-Хуанг усули орқали 
ечиш мақсадга мувофиқ ҳисобланади, чунки ушбу усул барча зарурий талабларга 
жавоб беради. 
ФОЙДАЛАНИЛГАН АДАБИЁТЛАР 
1. Матвеев, Ю. Н. Технологии биометрической идентификации личности по 
голосу и другим модальностям // Вестник МГТУ им. Н. Э. Баумана. 
Электронное научно-техническое издание. 2012. № 3(3) / 
2. Нутқ технологиялари маркази сайти: http://www.speechpro.ru/. 
3. Platt, J. C. Fast Training of Support Vector Machines using Sequential Minimal 
Optimization // J. C. Platt. Advances in Kernel Methods / Ed. by B. Scholkopf, 
C.C. Burges, A. J. Smola. MIT Press, 1999. P. 185–208. 
4. https://research-journal.org/technical/ispolzovanie-preobrazovaniya-gilberta-
xuanga-dlya-formirovaniya-modelej-fonem-russkogo-yazyka-v-zadache-
raspoznavaniya-rechi/ 
5. Дашкевич, И. В. Использование Вейвлет-преобразования в задаче голосовой 
идентификации диктора. / И. В. Дашкевич, М. С. Медведев // 
Международная научно-практическая конференция «Новшества в области 
технических наук». – Тюмень; Секция №20. 
6. seminar.at.ispras.ru/wp- content/.../Идентификация-диктора-по-голосу-текст 
7. https://cloud.google.com/text-to-speech/docs 
8. https://tech.yandex.ru/speechkit/mobilesdk/doc/ios/2.5/ref/group
vocalizer__globals group vc-docpage/ 
Муҳаммад ал-Хоразмий номидаги 11.04.2019й. 
Тошкент ахборот технологиялари қабул қилинган 
университети
Муҳаммад ал-Хоразмий номидаги
Тошкент ахборот технологиялари
университети ҳузуридаги ахборот- 
коммуникация технологиялари 
илмий-инновацион маркази 
Бауман номидаги Москва
давлат техника университети 

---

90 
УДК 519.81