Ўзбекистон республикаси ахборот технологиялари ва коммуникацияларини ривожлантириш вазирлиги муҳаммад ал-хоразмий номидаги

 

---

84 
ВЛИЯНИЕ ПОМЕХ НА ИДЕНТИФИКАЦИЮ ЛИЧНОСТИ ПО 
ГОЛОСУ 
Ф.Кадыров (ст.преподаватель ТУИТ им. Мухаммада аль-Хоразмий) 
Д.Ибрагимов (ассистент, ТУИТ им. Мухаммада аль-Хоразмий) 
Идентификация личности по голосу, проводимая в реальных условиях, 
встречается с рядом серьезных затруднений. Во-первых, возможны 
искажения, связанные непосредственно с диктором и обусловленные 
особенностями его психофизического состояния, заболеванием и т. п. Эти 
искажения с помощью любой автоматизированной системы обработки и 
классификации исключить невозможно, можно лишь уменьшить их влияние. 
Во-вторых, возникают аппаратные искажения на различных участках 
прохождения речевого сигнала при его записи, обработке и хранении. В-
третьих, на голосовой сигнал неизбежно накладываются внешние 
механические шумы, которые могут существенно его искажать. Важнейшей 
задачей систем голосовой идентификации является уменьшение негативного 
влияния второго и третьего факторов. 
На рис.1 схематично изображены места воздействия внешнего шума и 
помех на разные участки прохождения речевого сигнала. 
Рис.1. Воздействие шума и помех на различные участки прохождения речевого 
сигнала 
Обычно выделяют: искажения сигнала, связанные с самим диктором, с 
шумом окружающей среды, с искажением микрофонной системы (в том 
числе электромагнитные помехи), искажения, возникающие в канале записи 
при передаче сигнала, и искажения при программной обработке сигнала в 
компьютере. 
Помехи, возникающие в аппаратной части системы идентификации, в 
конечном счете, сводятся к частотным и амплитудным искажениям 
исходного спектра и сигнала. Это может быть вызвано недостатком 
микрофонных 
устройств, 
обладающих 
нелинейными 
амплитудно-
частотными характеристиками, применением различных фильтров при 
записи 
сигналов, 
а 
также 
искажениями 
при 
аналого-цифровом 
преобразовании. 
Для математического моделирования искажения голосовых сигналов 
был применен алгоритм передискретизации, основанный на использовании 
дискретного преобразования Фурье и позволявший повышать частоту 
дискретизации сигнала в задаваемое целое или дробное число раз. 
Моделирование конкретного искажения осуществлялось следующим 
образом. Пусть исходный сигнал характеризовался конечным числом 

---

85 
отсчетов a(n). На первом шаге алгоритма проводилось вычисление 
коэффициентов A(k) прямого преобразования Фурье: 
N
,
2,...
 
1,
k

,
e
)
n
(
a
)
k
(
A
n
N
k
2
j
N
1
n







 
На втором шаге в область возле отсчета с номером N/2 спектра 
вставлялись нулевые компоненты, количество которых задавалось 
значениями начального числа отсчетов N и числа отсчетов в 
передискретизованном 
сигнале 
M. 
Коэффициенты 
H(i) 
передискретизованного спектра в случае нечетных чисел N определялись 
формулами: 




























,
M
i
N
M
2
1
N

),
N
M
i
(
A
)
i
(
H
,
N
M
2
1
N
i
1
2
1
N

0.
H(i)
,
2
1
N
i
1

),
i
(
A
)
i
(
H
в случае четных N – формулами: 








































.
M
i
2
N
M
2
N

),
N
M
i
(
A
)
i
(
H
,
1
N
M
2
N
i

,
2
1)
A(N/2
H(i)
,
N
M
2
N
i
2
2
N

0,
H(i)
1,
2
N
i

,
2
1)
A(N/2
H(i)
,
2
N
i
1

A(i),
H(i)
На заключительном шаге алгоритма вычислялись отсчеты h(m) 
обратного дискретного преобразования Фурье с нормировкой: 
 M.
 ,
...
 
2,
 
1,
m

,
e
)
k
(
H
M
1
)
m
(
h
m
M
k
2
j
M
1
k







На этом формирование искаженного сигнала заканчивалось. 
В качестве величины, количественно характеризующей искажения, был 
использован коэффициент нелинейных искажений K, который вводился как 
отношение 
среднеквадратичной 
суммы 
спектральных 
компонентов 
выходного сигнала, отсутствующих в спектре входного сигнала, к 
среднеквадратичной сумме спектральных компонентов входного сигнала: 





N
1
k
2
L
1
l
2
)
k
(
A
N
1
)
l
(
H
L
1
K
где H(l) – спектральные компоненты выходного сигнала, отсутствующие в 
спектре входного сигнала A(k), L – количество спектральных компонент H(l). 
Искажения генерировались таким образом, что частота дискретизации: 

---

86 
t
M
F

(здесь t – длительность исходного сигнала) увеличивалась за счет изменения 
количества отсчетов от N до M, при этом для каждого искаженного сигнала 
рассчитывался коэффициент нелинейных искажений K. 
Рис.2. Участки частотных спектров. 
а – спектр исходного сигнала, б – частотный спектр искаженного сигнала. 
На рис.2 для иллюстрации приведен участок частотного спектра 
исходного сигнала и соответствующий частотный спектр искаженного 
сигнала (K=0,3) для интервала частот от f=150 Гц до f=250 Гц, для которого 
искажения оказались наиболее заметными (здесь A - амплитуда звуковых 
колебаний). 
Таким 
образом, 
проведенное 
математическое 
моделирования 
искажений голосового сигнала дало возможность провести количественную 
оценку величины этих искажений, при которых возможна правильная 
идентификация личности. Это показывает, что предложенный в настоящем 
cтатьи подход к оценке влияний искажений может использоваться для 
анализа надежности методов голосовой идентификации.