Моделирование, пространственно-временная фильтрация и распознавание речевых сигналов на фоне помех тема диссертации и автореферата по ВАК РФ 05.13.16, кандидат технических наук Крашенинников, Иван Викторович

• Крашенинников, Иван Викторович
• кандидат технических наук
• 1999

Оглавление диссертации кандидат технических наук Крашенинников, Иван Викторович

Список сокращений.

Введение.

Глава 1. Методы представления и обработки речевых сигналов и изображений.

1.1. Методы представления речевых сигналов

1.1.1. Система речеобразования

1.1.2. Модели речевых сигналов.

1.2. Задачи и методы обработки речевых сигналов.

1.2.1. Задачи обработки речевых сигналов.

1.2.2. Методы фильтрации речевых сигналов.

1.2.3. Методы распознавания речевых сигналов.

1.3. Методы представления изображений.

1.4. Задачи и методы обработки изображений.

1.4.1. Задачи обработки изображений.

1.4.2. Методы фильтрации изображений.

1.4.3. Методы совмещения изображений.

1.5. Выводы.

Глава 2. Квазипериодический портрет речевого сигнала.

2.1. Постановка задачи.

2.2. Обзор методов оценки периода.

2.2.1. Линейные методы.

2.2.2. Спектральные методы.

2.2.3. Корреляционные методы.

2.2.4. Метод наименьших квадратов.

2.2.5. Другие методы.

2.2.6. Выбор метода.

2.3. Оценка квазипериодов методом максимума правдоподобия.

2.3.1. Синтез алгоритма оценки

2.3.2. Характеристики статистики.

2.4. Нахождение квазипериодов методами {спектрального анализа

2.5. Корреляционно-экстремальный метод оценки квазипериодов

2.6. Статистическое моделирование и модификация алгоритмов оценки квазипериода

2.7. Свойства и модель квазипериодического портрета речевого сигнала.

2.8. Выводы.

Глава 3. Пространственно-временная фильтрация речевых сигналов

3.1. Постановка задачи.

3.2. Адаптивный псевдоградиентный аппроксимированный фильтр Калмана.

3.2.1. Фильтр для строк одинаковой длины.

3.2.2. Фильтр для строк разной длины.

3.3. Результаты статистического моделирования.

3.4. Выводы.

Глава 4. Распознавание речевых сигналов

4.1. Постановка задачи.

4.2. Распознавание речевых сигналов путем идентификации их изображений.

4.2.1. Выбор преобразования слов в изображения. Автокорреляционные портреты.

4.2.2. Идентификация автокорреляционных портретов слов.

4.3. Результаты статистического моделирования.

4.4. Выводы.

Введение диссертации (часть автореферата) на тему «Моделирование, пространственно-временная фильтрация и распознавание речевых сигналов на фоне помех»

Актуальность темы. В настоящее время большое внимание уделяется вопросам безаварийной и бесперебойной работы транспорта и других отраслей народного хозяйства и обороны. В значительной мере этому может способствовать надежная передача речевых сообщений и речевое управление различными устройствами, например, роботами, самолетами и др. В подобных автоматизированных системах речевой сигнал (РС), как правило, наблюдается на фоне помех (шума двигателя самолета, помех в канале связи и т.д.). В связи с этим весьма актуальными являются исследования в области методов фильтрации РС и их распознавания на фоне помех. Такие исследования уже несколько десятилетий интенсивно ведутся отечественными и зарубежными учеными. Разработан ряд подходов к проблеме распознавания и фильтрации, на основе которых созданы алгоритмы решения конкретных задач. Тем не менее, приемлемое для приложений решение задачи распознавания речевых сигналов на фоне интенсивных помех в настоящее время отсутствует. Не исчерпаны также все резервы повышения эффективности фильтрации РС на фоне помех. Об актуальности названных задач свидетельствует ряд научных программ, направленных на их решение, в частности, программы «Информационные технологии и электроника» Министерства науки и техники РФ, «Конверсия научно-технического потенциала вузов», «Исследования и разработки по приоритетным направлениям развития науки и техники гражданского назначения», «Конверсия и высокие технологии» и др.

Цель и задачи работы. Целью диссертации является разработка эффективных алгоритмов фильтрации и распознавания РС путем преобразования сигналов в изображения и применения методов статистического анализа случайных полей.

Для решения поставленной цели решаются следующие задачи.

- Разработка алгоритмов преобразования РС в изображение, называемое портретом речевого сигнала (ПРС).

- Исследование свойств ПРС и использование ПРС в качестве модели РС.

- Разработка адаптивных алгоритмов фильтрации ПРС с учетом неравенства длин строк.

- Разработка алгоритмов распознавания РС, представленных в виде

ПРС.

- Разработка пакета программ для реализации и исследования предложенных алгоритмов.

Методы исследования. При решении поставленных задач применялись методы теории вероятностей, математической статистики, теории случайных процессов и полей, математического анализа, математического и статистического моделирования с применением вычислительной техники.

Научная новизна положений, выносимых на защиту.

1. Впервые для обработки РС применены методы обработки изображений.

2. Разработана и исследована новая модель РС в виде плоского изображения, строки которого являются квазипериодами РС. Эта модель позволяет в компактной форме учитывать квазипериодичность РС, применять методы обработки изображений и тем самым повысить эффективность обработки РС по сравнению с их последовательной (временной) обработкой.

3. Разработаны и исследованы алгоритмы преобразования речевых сигналов в изображения - ПРС.

4. Впервые разработаны алгоритмы фильтрации изображений со строками неравной длины.

5. Разработан новый подход к распознаванию РС путем совмещения и идентификации их плоских автокорреляционных портретов.

Практическая значимость. Представленные описания алгоритмов и исходные тексты реализующих их программ дают разработчикам возможность их непосредственного использования при проектировании современных и перспективных систем передачи и распознавания РС при наличии интенсивных помех, например, на фоне шумов двигателей самолета. Предложенный подход перехода от обработки одномерного сигнала к обработке его двумерного портрета может быть использован при обработке не только РС, но и любых других квазипериодических сигналов.

Реализация работы. Результаты работы использованы в госбюджетных НИР Ульяновского государственного технического университета, в разработках Ульяновского конструкторского бюро приборостроения (подтверждено актом о внедрении), используются в учебном процессе УлГТУ в курсах «Основы теории обработки изображений» и «Специальные методы обработки изображений».

Апробация работы. Основные результаты работы докладывались на Международной научно-техн. конф. «Нейронные, реляторные и непрерывно-логические сети и модели» (Ульяновск, 1998); Международной научно-техн. конф. "Методы и средства преобразования и обработки аналоговой информации" (Ульяновск, 1999); 2-й Всероссийской с участием стран СНГ конф. "Распознавание образов и анализ изображений" (Ульяновск, 1995); Всеросс. научно-практ. конф. (с участ. стран СНГ) "Современные проблемы создания и эксплуатации радиотехнических систем" (Ульяновск 1998); Всеросс. научно-практ. конф. (с участ. стран СНГ) "Современные проблемы создания и эксплуатации радиотехнических систем" (Ульяновск, 1999); Всеросс. научно-технич. конференции "Интеллектуальные САПР" (Таганрог, 1998); 51-й научной сессии РНТО РЭС им. А.С.Попова (Москва, 1996) и на ежегодных конференциях профессорско-преподавательского состава Ульяновского государственного технического университета (1997-1999гг.).

Публикации. По теме диссертации опубликовано 13 печатных работ, в том числе 3 статьи и 10 тезисов докладов на научно-технических конференциях.

Объем и структура диссертации. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений. Общий объем 138 страниц.

Заключение диссертации по теме «Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях (по отраслям наук)», Крашенинников, Иван Викторович

Основные результаты диссертации заключаются в следующем.

1. Предложен новый подход к решению задач фильтрации и распознавания РС, основой которого является пространственно-временная обработка изображений, являющихся двумерными портретами РС.

2. Разработана модель РС в виде его квазипериодического портрета, описываемого случайным полем типа Хабиби с переменными параметрами. Эта модель позволяет в компактной форме учитывать квазипериодический характер РС и синтезировать эффективные алгоритмы их обработки.

3. Разработан адаптивный алгоритм фильтрации изображений со строками разной длины.

4. Предложенный адаптивный алгоритм пространственно-временной фильтрации РС позволяет повысить эффективность фильтрации по сравнению с алгоритмами последовательной временной обработки на 1540 процентов по сравнению с одномерной временной фильтрацией при отношении шум/сигнал по СКО до трех единиц.

5. Разработаны алгоритмы распознавания РС путем идентификации их двумерных автокорреляционных портретов, работоспособные при наличии интенсивных помех.

Закпючение

Список литературы диссертационного исследования кандидат технических наук Крашенинников, Иван Викторович, 1999 год

1. Аггравал Дж.К., Дейвис JI.C., Мартин У.Н. Методы установления соответствия при анализе динамических сцен// ТИИЭР, 1981, т. 69, N 5, с. 77-90.

2. Адаптивные методы обработки изображений//Сб. науч. трудов под ред. В.И. Сифорова и Л.П. Ярославского.- М.: Наука, 1988, 224 с.

3. Андерсон Т. Статистический анализ временных рядов/Пер. с англ. под ред. Ю.К. Беляева. М.: Мир, 1976, 758 с.

4. Белоглазов П.Н., Тарасенко B.JI. Корреляционно-экстремальные системы. М.: Сов. радио, 1974, 392 с.

5. Богуславский И.А., Владимиров И.Г. Адаптивное оценивание вектора сдвига// Техническая кибернетика, 1990, N4, с. 47-64.

6. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление/ Пер. с англ. под ред. В.Ф. Писаренко. М: Мир, 1974, т.1, 406 е.; т. 2, 200 с.

7. Борукаев Т.Б., Грузман И.С. Совмещение изображений при наличии масштабных искажений и разворота// Тез. докл. Междунар. конф. «ОИДИ-90»,- Новосибирск: ВЦ СО АН СССР, 1990, с. 40.

8. Быстрые алгоритмы в цифровой обработке изображений/ Хуанг Т.Г. и др./Пер. с англ. М.: Радио и связь 1984, 221 с.

9. Ванцвайг М.Н., Полякова М.П. Установление поточечного соответствия изображений// Тез. докл. 2-й Всеросс. с участием стран СНГ конф. «Распознавание образов и анализ изображений» РОАИ-2-95,- Ульяновск: Ул-ГТУ, 1995, ч. 2, с.

10. Васильев К.К. Прием сигналов при мультипликативных помехах. Саратов: СГУ, 1983, 128 с.

11. И. Васильев К.К. Случайные поля на многомерных сетках/ Раздел 4 коллективной монографии «Прикладная теория случайных процессор и полей»/ Под ред. К.К.Васильева и В.А.Омельченко.-Ульяновск: УлГТУ, 1995, с 105-145.

12. Васильев К.К., Афонин С.Л., Крашенинников И.В. Фильтрация и распознавание речевых сигналов на фоне помех// Тез. докл. 51-й научной сессии, поев. Дню радио,- M.: РНТО РЭС им. А.С.Попова, 1996, с. 143-144.

13. Васильев К.К., Герчес В.Г. Калмановская фильтрация изображений// Методы обработки сигналов и полей,- Ульяновск: УлПИ, 1990, с. 105111.

14. Васильев К.К., Герчес В.Г. Эффективность алгоритмов обнаружения сигналов на фоне мешающих изображений// Статистические методы обработки изображений,- Новосибирск: НГТУ, 1993, с. 39-45.

15. Васильев K.K.; Крашенинников В.Р. Методы фильтрации многомерных случайных полей. Саратов: СГУ, 1990, 128 с.

16. Васильев К.К. Крашенинников В.Р. Адаптивный многомерный аппроксимированный фильтр КалманаУ/ Тез. докл. 49-й науч. техн. конф., поев. Дню радио.- Санкт-Петербург: НТО РЭС им. A.C. Попова, 1994, с. 2526. •

17. Виттих В.А., Сергеев В.В., Сойфер В.А. Обработка изображений в автоматизированных системах научных исследований,- М.: Наука, 1982, 214 с.

18. Гимельфарб Г.Л., Залесный A.B. Гиббсовские случайные поля как вероятностные модели изображений на нижнем уровне вычислительного зрения// Методы обработки сигналов и полей,- Ульяновск: УлГТУ, 1995, с. 2234.

19. Гихман И.И., Скороход A.B. Теория случайных процессов.-М.: Наука, 1971, т. 1, 664 е.; 1973, т. 2, 640 е.; 1975, т. 3, 496с.

20. Губанов A.B., Ефимов В.М., Киричук B.C. и др. Методы оценивания взаимного смещения фрагментов изображений// Автометрия, 1988, N 3, с. 70-73.

21. Гудонавичюс Р.В., Кемешис П.П., Читавичюс А.Б. Распознавание речевых сигналов по их структурным свойствам,- Л.: Энергия, 1977, 64 с.

22. Гурьянов А.Е. Алгоритмическое обеспечение устройств диктороне-зависимого ввода речи// Вопросы радиоэлектроники. Серия «Электронная вычислительная техника», 1992, вып. 2, с. 47-54.

23. Даджион Д., Мерсеро Р. Цифровая обработка многомерных сигналов/Пер. с англ. под ред. Л.П.Ярославского,- М.: Мир, 1988, 488с.

24. Демков М.Г. Взаимодействие оператора и устройства распознавания при формировании шаблонов слов устной речи// Тез. Докл. 2-й Всероссийской конференции с участием стран СНГ. РОАИ-2-95,- Ульяновск, 1995, ч. 3, с. 85 87.

25. Джайн А.К. Успехи в области математических моделей для обработки изображений// ТИИЭР, 1981, т. 69, N 5, с. 9-39.

26. Дуб Дж.Л. Вероятностные процессы/Пер. с англ. под ред. A.M. Яглома. -М.: ИЛ, 1956, 606 с.

27. Дуда Р., Харт П. Распознавание образов и анализ сцен/ Пер. с англ -М.: Мир, 1976,512 с.

28. Дынкин Е.Б., Юшкевич A.A. Теоремы и задачи о процессах Маркова,- М.: Наука, 1966, 232 с.

29. Кондратьев П.А. Анализ кривых в метеорологии// Журнал геофизики и метеорологии, 1927, №4, с. 313 327.

30. Королев Н.И. Достоверность корреляционного метода совмещения точечных изображений// Автометрия, 1993, N 5, с. 103-110.

31. Крамер Г. Математические методы статистики/ Пер. с англ. под ред: А.Н.Колмогорова.- М.: Мир, 1975, 648 с.

32. Крашенинников В.Р. Псевдоградиентные адаптивные алгоритмы обработки многомерных изображений/ Раздел 8 коллективной монографии «Прикладная теория случайных процессов и полей»/Под ред. К.К.Васильева и В.А.Омельченко,- Ульяновск: УлГТУ, 1995, с. 233-255.

33. Крашенинников В.Р. Винеровское оценивание непрерывных случайных полей// Методы обработки сигналов и полей,- Саратов: СПИ, 1986, с. 23-26.

34. Крашенинников В.Р., Ташлинский А.Г. Адаптивные алгоритмы совмещения изображений// Тез. докл. Междунар. конф. ОИДИ-90,- Новосибирск: ВЦ СО АН СССР, 1990, с. 138-139.

35. Крашенинников В.Р., Ташлинский А.Г. Адаптивно-морфологические методы совмещения изображений// Тез. докл. 2-й Всеросс. с участием стран СНГ конф. «Распознавание образов и анализ изображений» РОАИ-2-95,- Ульяновск: УлГТУ, 1995, ч. 2, с. 149-150.

36. Krasheninnikov V.R., Tashlinskii A.G., Krasheninnikov I.V. An adaptive algorithm for the identification of fingerprints// Pattern Recognition and Image Analysis. Birmingham, Al. 35201-1831,USA, 1996, vol.6, N 2, p. 277.

37. Крашенинников И.В. Адаптивные псевдоградиентные алгоритмы фильтрации авторегрессионного сигнала на фоне некоррелированных помех// Тез. докл. 33-й научно-технич. конференции УлГТУ.-Ульяновск: УлГТУ, 1999,ч.2, с. 43-44.

38. Крашенинников И.В. Периодическое комплексирование речевых сигналов в изображение// Труды Международной конференции "Методы и средства преобразования и обработки аналоговой информации",- Ульяновск: УлГТУ, 1999, т. 3, с. 56-58.

39. Крашенинников И.В. Методы определения периода речевых сигналов// Труды Ульяновского научного центра "Ноосферные знания и технологии" РАЕН,-Ульяновск: УНЦ НЗиТ РАЕН, 1999, т. 2, вып. 1, с. 111-116.

40. Крашенинников И.В., Афонин C.JI. Речевое управление в автоматизированных системах// Материалы Всероссийской научно-технич. конференции с участием зарубежных представителей "Интеллектуальные САПР". Таганрог, 1998, с. 262-263.

41. Крашенинников И.В., Горбунов А.И. Системы анализа речевых сигналов// Тез. докл. 31-й научно-технич. конференции УлГТУ- Ульяновск: УлГТУ, 1997, ч. 2, с. 20-22.

42. Левин Б.Р. Теоретические основы статистической радиотехники.-М.: Радио и связь, 1989, 656 с.

43. Леоненко H.H., Иванов A.B. Статистический анализ случайных полей,- Киев: Вища школа, 1986, 216с.

44. Липцер Р.Ш., Ширяев А.Н. Статистика случайных процессов М.: Наука, 1974, 696 с.

45. Малышев В.А., Минлос P.A. Гиббсовские случайные поля,- М.: Наука, 1985, 288 с.

46. Марагос П., Шафер Р.У. Морфологические системы для многомерной обработки сигналов// ТИИЭР, 1990, т. 78, № 4; с. 109-132.

47. Маркел Дж. Д., Грэй А.Х. Линейное предсказание речи/Пер. с англ -М.: Связь, 1980, 308 с.

48. Моттль В.В., Копылов A.B. Алгоритмы совмещения изображений при растровых искажениях// Тез.докл. 2-й Всеросс. с участием стран СНГ конф. «Распознавание образов и анализ изображений» РОАИ-2-95,- Ульяновск: УлГТУ, 1995, ч. 2, с. 162-164.

49. Невельсон М.Б., Хасьминский Р.З. Стохастическая аппроксимация и рекуррентное оценивание.- М.: Наука, 1972, 304 с.

50. Нуссбаумер Г. Быстрое преобразование Фурье и алгоритмы вычисления сверток,- М.: Радио и связь, 1985, 284 с.

51. Поляк Б.Т., Цыпкин Я.З. Псевдоградиентные алгоритмы адаптации и обучения// Автоматика и телемеханика, 1973, N 3, с. 45-68.

52. Поляк Б.Т., Цыпкин Я.З. Оптимальные псевдоградиентные алгоритмы адаптации// Автоматика и телемеханика, 1980, N 8, с. 74-84.

53. Потапова Р.К. Речевое управление роботом,- М.: Радио и связь, 1989,248 с.

54. Потапова Р.К. Тайны современного кентавра.- М.: Радио и связь, 1992,248 с.

55. Прохоров Ю.Н. Статистические методы и рекуррентное предсказание речевых сигналов,- М.: Радио и связь, 1984, 240 с.

56. Прэтт У. Цифровая обработка изображений/Пер. с англ. под ред. Д.С.Лебедева.- М.: Мир, 1982, кн. 1, 312 е.; кн. 2, 480с.

57. Пытьев Ю.П. Морфологический анализ изображений//Докл. АН СССР, 1983, т. 269, с. 1061-1064.

58. Райгель В.И., Спектор A.A. Многомерные векторные случайные поля с экспоненциальными корреляционными функциями// Автоматизированная обработка изображений природных комплексов Сибири,- Новосибирск: Наука, 1988, с. 96-102.

59. Репин В.Г., Тартаковский Г.П. Статистический анализ при априорной неопределенности и адаптация информационных систем,- М.: Советское радио, 1977, 432 с.

60. Розанов Ю.А. Марковские случайные поля,- М.: Наука, 1981, 256с.

61. Сапожков М.А. Речевой сигнал в кибернетике и связи. М.: Связь-издат, 1963, 452 с.

62. Сейдж Э.П., Меле Дж. Теория оценивания и ее применение в связи и управлении/ Пер. с англ. под ред. Б.Р. Левина.- М.: Связь, 1976, 495 с.

63. Семушин И.В. Адаптивные схемы идентификации и контроля при обработке случайных сигналов,- Саратов: СГУ, 1985, 180 с.

64. Серебренников М.Г., Первозванский A.A. Выявление скрытых пе-риоличностей.- М.: Наука, 1965, 244 с.

65. Срагович В.Г. Адаптивное управление.-М.: Наука, 1981, 384 с.

66. Степанов O.A. Оптимальное решение задачи уточнения координат объекта в корреляционно-экстремальных системах навигации при использовании информации о поле в виде кадра// Автометрия, 1994, N 2, с. 18-27.

67. Тихонов В.И., Кульман Н.К. Нелинейная фильтрация и квазикогерентный прием сигналов,- М.: Сов. радио, 1975, 704 с.

68. Токмаков Г.П. Распознавание и синтез словоформ методами логического вывода// Тез. докл. 2-й Всероссийской конференции с участием стран СНГ РОАИ-2-95,- Ульяновск, 1995, ч. 3, с. 186 189.

69. Токмаков Г.П. Распознавание речи методами логического вывода// Тез. докл. 2-й Всероссийской конференции с участием стран СНГ РОАИ-2-95.- Ульяновск, 1995, ч. 3, с. 190 193.

70. Уидроу Б., Стирнз С. Адаптивная обработка сигналов/ Пер. с англ. под ред. В.В.Шахгильдяна,- М.: Радио и связь, 1989, 440 с.

71. Фант Г. Акустическая теория речеобразования,- М.: Наука, 1964, с.283.

72. Физиология речи. Восприятие речи человеком/ Чистович JI.A. и др,-Л.: Наука, 1976, 386 с.

73. Фланаган Дж. Анализ, синтез и восприятие речи/ Пер. с англ.- М.: Связь, 1968, 396 с.

74. Фомин В.Н. Рекуррентное оценивание и адаптивная фильтрация.-М.: Наука, 1984, 288 с.

75. Фомин Я.А., Тарловский Г.Р. Статистическая теория распознавания образов,- М.: Радио и связь, 1986, 264 с.

76. Фор А. Восприятие и распознавание образов/ Пер. с фр,- М.: Машиностроение, 1989, 272 с.

77. Фурман Я. А. О понятии формы плоского изображения// Автометрия, 1992, N 5, с. 113-120.

78. Хабиби А. Двумерная байесовская оценка изображений// ТИИЭР, 1972, т. 60, N7, с. 153-159.

79. Хеннан Э. Многомерные временные ряды/ Пер. с англ. под ред. Ю.А. Розанова.- М.: Мир, 1974, 575 с.

80. Яглом A.M. Некоторые классы случайных полей в n-мерном пространстве, родственные случайным процессам// Теория вероятностей и ее применения, 1957, N 3, с. 293-333.

81. Ядренко М.И. Спектральная теория случайных полей.- Киев: Наукова думка, 1983, 232 с.

82. Ярославский Л.П. Введение в цифровую обработку изображений,- М.: Сов. радио, 1979, 312 с.

83. Atal B.C., Hanauer S.L. Speech analysis and synthesis by linear prediction of the speech wave// Acoust. Soc. Am., 1971, v. 50, p. 637 655.

84. Brooks C. A difference periodogramm, a method for the rapid determination of short periodicities// Proc. Roy. Soc., 1924, A105, p. 346.

85. Buys-Ballot. Les changements periodiques de temperature.- Utrecht,1847.

86. Cafforio C., Rocca F. Methods for measuring small displasements of TV images// IEEE Trans., 1976, IT-22, N 5, p. 573- 579.

87. Chrystal G. Murray J. An investigation of the seiches of Lock Earn by the Scottish Lake Survey.

88. Image Modelling/ Edited by Azriel Rosenfeld.- New York: Academic Press, 1981,446 р.

89. Itakura F., Saito S. Analysis synthesis telephony based upon the maximum likelihood method// Reports of 6th Int. Cong. Acoust.- Tokyo, 1968, vol C-5-5, p. 1968.

90. Lienard J.S. Speech characterization from a rough spectral analysis// IEEE ISASSP, 1979, p. 595 598.

91. Loizou P.C., Spanias A.S. High performance alphabet recognition// IEEE Trans., 1996, SAP, № 6, p.430 - 445.

92. Lucke H. Which stochastic models allow Baum-Welch trainig// IEEE Trans., 1996, SP,№ 11, p.2746 2756.

93. Mostafavi H., Smith F.W. Image correlation with geometric distortion// IEEE Trans., 1978, v. AES-14, N 3, p. 478-500.

94. Nagel H.H. Displacement-vector derived from second-order intensity variations in image sequences// Сотр. Vision, Graphics and Image Process., 1983, v. 21, N 1, p. 85-117.

95. Ostendorf M. From HMM'S to segment models// IEEE Trans., 1996, SAP, №5 p. 357-378.

96. Parker S.R., Kayran A.H. Lattice parameter autoregressive modelling of two-dimensional fields. Part I: The quarterplane case// IEEE Trans., 1984, v. ASSP-32, N 8., p. 872-885.

97. Peinado A.M. et al. Discriminative codebook design using multiple vector quantization in HMM-Based speech recognition// IEEE Trans., 1996, SAP, № 2, p. 89 96.-122

98. Pollak L., Hapel A. Bericht über die numerische methode von J. Fuhrich// Metcorol, 1935, v. 53, p. 330 333.

99. Rabiner L.R., Sambur M.R. Some preliminary Experiments in the recognition of connected digits// IEEE Trans., 1976, ASSP-24, № 6, p. 170 182.

100. Robbins J.D., Netravali A.N. Interframe television coding using movement compensation// Proc. Int. Conf. Commun.- Boston, 1979, p. 23.4.123.4.5.

101. Sankar A. A maximum-likelihood approach to stochastic matching for robust speech recognition// IEEE Trans., 1996, SAP, № 3, p. 190-201.

102. Vanmarcke E. Random Fields: Analysis and syntesis.- London, 1984,382 p.

103. Tanaka K. A parametric representation and a clastering method for phonem recognition// IEEE Trans., 1981, ASSP-29, № 6, p.l 117 1127.

104. Woods J.W. Two-dimensional Kaiman filtering// Topics in Applied Physics, Berlin, e.a., 1981, v. 42, p. 155-208.