Adaptive Signal Models: Theory, Algorithms, and Audio Applications

مدل‌های سیگنال تطبیقی: نظریه، الگوریتم‌ها و کاربردهای صوتی روش‌هایی را برای استخراج مدل‌های ریاضی سیگنال‌های طبیعی ارائه می‌کند. مقدمه اصول سیستم های تجزیه و تحلیل سنتز و نمایش سیگنال را پوشش می دهد. برخی از موضوعات موجود در مقدمه شامل بازسازی کامل و تقریباً کامل، تمایز بین روش‌های پارامتریک و ناپارامتریک، نقش تراکم در مدل‌سازی سیگنال، بسط سیگنال اولیه و بیش از حد کامل، و مسائل تفکیک فرکانس زمانی است. این موضوعات در سراسر کتاب و همچنین تعدادی از موضوعات دیگر مانند بانک‌های فیلتر و وضوح چندگانه مطرح می‌شوند.
فصل دوم توسعه مفصلی از مدل سینوسی را به عنوان بسط پارامتری تبدیل فوریه کوتاه مدت ارائه می دهد. این منجر به تکنیک‌های مدل‌سازی سینوسی با وضوح چندگانه در فصل سوم می‌شود، جایی که رویکردهای موجک مانند با مدل سینوسی ادغام می‌شوند تا مدل‌های بهبود یافته را به دست آورند. در فصل چهارم، باقیمانده آنالیز-سنتز در نظر گرفته شده است. برای سنتز واقعی، پس از حذف اجزای منسجم (مانند سینوسی ها) باقیمانده باید به طور جداگانه مدل شود. رویکرد مدل‌سازی باقی‌مانده مبتنی بر بانک‌های فیلتر غیریکنواخت با انگیزه روان‌آکوستیکی است. فصل پنجم به نسخه های همگام گام از هر دو موجک و تبدیل فوریه می پردازد. اینها امکان مدلهای فشرده سیگنالهای شبه دوره ای را فراهم می کنند. فصل ششم الگوریتم های اخیر را برای استخراج نمایش سیگنال بر اساس اتم های فرکانس زمان مورد بحث قرار می دهد. در درجه اول، الگوریتم تعقیب تطبیق بررسی و گسترش می یابد.
مدل‌های سیگنال مورد بحث در کتاب، نمایش‌های فشرده، تطبیقی، پارامتری، فرکانس زمانی هستند که برای تحلیل، کدگذاری، اصلاح و سنتز سیگنال‌های طبیعی مانند صدا مفید هستند. همه مدل‌ها به عنوان روش‌هایی برای تجزیه یک سیگنال بر حسب اتم‌های فرکانس زمانی اساسی تفسیر می‌شوند. این تفاسیر، و همچنین ماهیت تطبیقی ​​و پارامتریک مدل‌ها، به پیوند روش‌های مختلف پرداخته شده در متن کمک می‌کنند.
مدل های سیگنال تطبیقی: تئوری، الگوریتم ها و کاربردهای صوتی به عنوان یک مرجع عالی برای محققان پردازش سیگنال عمل می کند و ممکن است به عنوان متنی برای دوره های پیشرفته در این زمینه استفاده شود.

Adaptive Signal Models: Theory, Algorithms and Audio Applications presents methods for deriving mathematical models of natural signals. The introduction covers the fundamentals of analysis-synthesis systems and signal representations. Some of the topics in the introduction include perfect and near-perfect reconstruction, the distinction between parametric and nonparametric methods, the role of compaction in signal modeling, basic and overcomplete signal expansions, and time-frequency resolution issues. These topics arise throughout the book as do a number of other topics such as filter banks and multiresolution.
The second chapter gives a detailed development of the sinusoidal model as a parametric extension of the short-time Fourier transform. This leads to multiresolution sinusoidal modeling techniques in Chapter Three, where wavelet-like approaches are merged with the sinusoidal model to yield improved models. In Chapter Four, the analysis-synthesis residual is considered; for realistic synthesis, the residual must be separately modeled after coherent components (such as sinusoids) are removed. The residual modeling approach is based on psychoacoustically motivated nonuniform filter banks. Chapter Five deals with pitch-synchronous versions of both the wavelet and the Fourier transform; these allow for compact models of pseudo-periodic signals. Chapter Six discusses recent algorithms for deriving signal representations based on time-frequency atoms; primarily, the matching pursuit algorithm is reviewed and extended.
The signal models discussed in the book are compact, adaptive, parametric, time-frequency representations that are useful for analysis, coding, modification, and synthesis of natural signals such as audio. The models are all interpreted as methods for decomposing a signal in terms of fundamental time-frequency atoms; these interpretations, as well as the adaptive and parametric natures of the models, serve to link the various methods dealt with in the text.
Adaptive Signal Models: Theory, Algorithms and Audio Applications serves as an excellent reference for researchers of signal processing and may be used as a text for advanced courses on the topic.