Pengkode Sinyal Suara Menggunakan Least Square Estimation.

(1)

ABSTRAK

Teknologi pengkode sinyal suara mengalami kemajuan yang cukup pesat. Berbagai metode telah dikembangkan untuk mendapatkan tujuan dari pengkode sinyal suara yaitu output sinyal suara yang mempunyai kualitas yang baik dengan laju bit yang rendah. Metode-metode yang berkembang sekarang ini umumnya menggunakan penambahan model produksi suara melalui sintesis suara.

Dalam tugas akhir ini, digunakan suatu metode pengestimasian yang dinamakan dengan least square estimation untuk mengkodekan sinyal suara. Least square estimation akan menggunakan filter Kalman sebagai estimatornya.

Filter Kalman digunakan untuk mengestimasi parameter-parameter dari proses autoregressive (AR) dan mereprentasikannya ke dalam bentuk state space. Sinyal

suara yang akan diinputkan harus dimodelkan terlebih dahulu. Keluaran sinyal suara dari simulasi akan dibandingkan dengan sinyal aslinya untuk mengetahui kualitas dari pengkode sinyal suara ini.

Berdasarkan pengamatan terhadap sinyal masukan dan keluaran dari pengkode sinyal suara, didapatkan nilai untuk SNR rata-rata untuk iterasi 5.000 sebesar 8,05 dB dan untuk iterasi 10.000 sebesar 12,34 dB. Penilaian rata-rata MOS terhadap delapan sampel suara adalah 3,98. Hasil yang didapat memperlihatkan sinyal keluaran yang cukup baik dari pengkode sinyal suara.

(2)

ABSTRACT

The technology speech coding progress which is fast enough. Several methods have been developed to get the intention of speech coding that is providing high quality speech at low bit rate. Generally, the methods expanding this time use addition of production model to synthesize speech.

In this final project, using estimation method with square least estimation to decode speech signal. Least square estimation will use Kalman filter as the estimator. Kalman filter used to estimate parameters of process of autoregressive (AR) and representations into form of state space. The speech signal has to be first modeled beforehand. The output of speech signal from this simulation will be compared to its original signal to know the quality of from speech coding this.

Pursuant to perception to input signal and output of speech coding, got the value for the SNR mean for iteration 5,000 equal to 8.05 dB and for iteration 10,000 equal to 12.34 dB. Assessment for mean of MOS to eight sample speech is 3.98. These results show good of output signal from this coder.

(3)

DAFTAR ISI

ABSTRAK ..……….. i

ABSTRACT ……….. ii

KATA PENGANTAR ….……….…… iii

DAFTAR ISI ………... v

DAFTAR GAMBAR ………... vii

DAFTAR TABEL ……….….. ix

BAB I PENDAHULUAN ..……….….. 1

1.1. Latar Belakang ……….….. 1

1.2. Tujuan ………..……….….. 1

1.3. Identifikasi Masalah .………. 2

1.4. Pembatasan Masalah ……….. 2

1.5. Sistematika Pembahasan ………. 2

BAB II PENGKODE SINYAL SUARA ………... 4

2.1. Produksi dan Pemodelan Sinyal Suara ……….….. 4

2.2. Teorema Sampling ……….. 7

2.3. Sistem Komunikasi Suara ………... 8

2.4. Klasifikasi Pengkode Sinyal Suara ………. 9

2.5. Prediksi Linier ……… 11

2.5.1. Solusi Prediksi Linier ……… 14

2.5.2. Interpretasi Sinyal Suara dengan Prediksi Linier ……….. 20

2.5.3. Prediksi Pitch ……… 21

(4)

2.6. Metode Cross Correlation ……….. 22

BAB III FILTER KALMAN ………..….. 24

3.1. Filter Kalman Diskrit ……….. 24

3.1.1. Proses Estimasi ……….. 24

3.1.2. Perhitungan Awal Filter ……… 25

3.1.3. Probabilitas Awal Filter ………. 27

3.1.4. Algoritma Filter Kalman Diskrit ……….….. 28

3.1.5. Filter Parameter dan Tuning ……….. 30

3.2. Implementasi Filter Kalman dalam Pengkode Suara …………. 31

BAB IV SIMULASI DAN ANALISA ...……… 36

4.1. Karakteristik Input Suara ……….…... 36

4.2. Simulasi Filter Kalman Diskrit ………... 37

4.3. Perbedaan Koefisien Iterasi ……….…... 40

4.4. Sinyal Suara Masukan dan Keluaran ……….……. 42

4.5. Cross Correlation Sinyal Input dan Output ………... 47

4.6. Pengujian Output Sinyal Suara ………... 50

4.6.1. Pengujian Sinyal Suara Subjektif ………... 51

4.6.2. Pengujian Sinyal Suara Objektif ….………... 52

BAB V KESIMPULAN DAN SARAN ………. 54

5.1. Kesimpulan ………. 54

5.2. Saran ……….….. 54 DAFTAR PUSTAKA

LAMPIRAN A LISTING PROGRAM ………...………... A-1

LAMPIRAN B MEAN OPINION SCORE (MOS) ………. B-1

(5)

DAFTAR GAMBAR

Gambar 2.1 : Organ-organ Pembentuk Sinyal Suara 4

Gambar 2.2 : Bentuk Gelombang Suara Voiced dan Unvoiced …………. 6

Gambar 2.3 : Sistem Komunikasi Suara ……… 8

Gambar 2.4 : Klasifikasi Pengkode Suara ………. 9

Gambar 2.5 : Blok Diagram Pengkode Suara dengan Prediksi Linier … 11 Gambar 2.6 : Reprentasi sinyal suara ke-n ……… 13

Gambar 2.7 : Pemodelan Pitch ……….. 21

Gambar 3.1 : Cycle Aktivitas Filter Kalman Diskrit ………. 29

Gambar 3.2 : Operasi Filter Kalman Secara Lengkap ………... 31

Gambar 3.3 : Blok Diagram Pengkode Sinyal Suara ……… 35

Gambar 4.1 : Koefisien Filter Kalman ke-1 ……….. 38

Gambar 4.6 : Perubahan Koefisien ke-1 ……… 41

Gambar 4.11 : Bentuk Sinyal Suara Dari File 1.wav ……….. 43

(6)

Gambar 4.19 : Cross Correlation Untuk File 1.wav ………... 47

(7)

DAFTAR TABEL

Tabel 4.1 : Karakteristik Sinyal Input ………... 37

Tabel 4.2 : Koefisien Untuk Iterasi Bertahap ………... 40

Tabel 4.3 : Hasil Cross Correlation ……….. 50

Tabel 4.4 : Penilaian Metode MOS……… 51

Tabel 4.5 : Rata-rata Penilaian Responden ……… 52

Tabel 4.6 : Nilai SNR dari Sampel Suara ……….. 53

(8)

LAMPIRAN % N=input ('Please enter the number of iterations = ');

N=5000;

figure;clf;%brings up blank figure. plot (v);

title ('Plot of v(k)');

xlabel('Number of Iterations'); ylabel('v(k)');

grid on; zoom on;

%Start of estimated Filter Q = 0.0001*eye(5,5); R = 0.1;

y = filter(1,[1,-0.8,0.2,-0.6,0.7,-0.4],v); sig(1:5,1:5) = 0.1*eye(5);

% "For" Loop for estimate filter: for k=6:N

H(1:5,k)=-[y(k-1);y(k-2);y(k-3);y(k-4);y(k-5)];

K(1:5,k)=sig(1:5,5*k-29:5*k-25)*H(1:5,k)*inv(H(1:5,k)'*sig(1:5,5*k-29:5*k-...

(9)

25)*H(1:5,k)+R);%Kalman Gain

sig(1:5,5*k-24:5*k-20) = sig(1:5,5*k-29:5*k-25)-sig(1:5,5*k-29:5*k-... 25)*H(1:5,k)*inv(H(1:5,k)'*sig(1:5,5*k-29:5*k-25)*H(1:5,k) +... R)*(H(1:5,k)'*sig(1:5,5*k-29:5*k-25))+Q; % error convariance matrix

XX(1:5,k) = (eye(5)-K(1:5,k)*H(1:5,k)')*XX(1:5,k-1) + (K(1:5,k)*y(k)); % posteriori value of estimate X(k)

end;

figure;clf;%brings up blank figure. plot (XX(1,:),'g');

title ('Estimated Filter'); xlabel('Number of Iterations'); ylabel('XX(1,k)');

grid on; zoom on;

figure;clf;%brings up blank figure. plot (XX(2,:),'r');

grid on; zoom on;

figure;clf;%brings up blank figure. plot (XX(3,:),'b');

grid on; zoom on;

figure;clf;%brings up blank figure. plot (XX(4,:),'k');

title ('Estimated Filter');

(10)

xlabel('Number of Iterations'); ylabel('XX(4,k)');

grid on; zoom on;

figure;clf;%brings up blank figure. plot (XX(5,:),'m');

grid on; zoom on;

(11)

%--- % N=input('Please enter the number of iterations = ');

N=10000;

HH = zeros(5,N); % matrix of output signal yy.

sig = zeros(5,5*N); % priori or posteri covariance matrix. K = zeros(5,N); % kalman gain.

X = zeros(5,N); % kalman coeffcient for y. XX = zeros(5,N); % kalman coeffcient for yy. I = eye(5);

y = zeros(1,N); % Input signal. ZZ = zeros(1,N);

yy = zeros(1,N); % Output yy signal. v = 0.1*randn(1,N); % white noise.

figure(1);clf;%brings up blank figure. plot (v);

title ('Plot of v(k)');

xlabel('Number of Iterations'); ylabel('v(k)');

grid on; zoom on;

%Start of estimated Filter

Q = 0.0001*eye(5,5); % Process Noise Covariance. R = 0.1; % Measurement Noise Covariance

A1=[1,-0.7,0.3,-0.6,0.7,-0.5]; A2=[1,-0.4,0.5,-0.2,0.5,-0.2]; A3=[1,-0.5,0.3,-0.5,0.4,-0.6]; A4=[1,-0.6,0.5,-0.4,0.2,-0.4]; A5=[1,-0.4,0.6,-0.1,0.3,-0.2];

y(1,1:2000) = filter(1,A1,v(1,1:2000));

y(1,2001:4000) = filter(1,A2,v(1,2001:4000));

(12)

y(1,4001:6000) = filter(1,A3,v(1,4001:6000)); y(1,6001:8000) = filter(1,A4,v(1,6001:8000)); y(1,8001:10000) = filter(1,A5,v(1,8001:10000));

sig(1:5,1:5) = 0.5*I;

% "For" Loop for estimate filter: for k=6:N

H(1:5,k)=-[y(k-1);y(k-2);y(k-3);y(k-4);y(k-5)];

HH(1:5,k)=-[yy(k-1);yy(k-2);yy(k-3);yy(k-4);yy(k-5)];

K(1:5,k)=sig(1:5,5*k-29:5*k-25)*H(1:5,k)*inv(H(1:5,k)'*sig(1:5,5*k-29:5*... k-25)*H(1:5,k)+R);%Kalman Gain

sig(1:5,5*k-24:5*k-20)=sig(1:5,5*k-29:5*k-25)-sig(1:5,5*k-29:5*k-25)... *H(1:5,k)*inv(H(1:5,k)'*sig(1:5,5*k-29:5*k-25)*H(1:5,k) +...

R)*(H(1:5,k)'*sig(1:5,5*k-29:5*k-25))+Q; % error covariance matrix

XX(1:5,k) = (I - K(1:5,k)*H(1:5,k)')*XX(1:5,k-1) + ... (K(1:5,k)*y(k)); % posteriori value of estimate X(k)

vv(k) = y(k) - (H(1:5,k)'*XX(1:5,k)); yy(k) = (HH(1:5,k)'*XX(1:5,k)) + vv(k); % end;

title ('Estimated Filter 1'); xlabel('Number of Iterations'); ylabel('XX(1,k)');

grid on; zoom on;

(13)

grid on; zoom on;

figure;clf;%brings up blank figure. plot (XX(3,:),'b');

grid on; zoom on;

figure;clf;%brings up blank figure. plot (y(:));

title ('y Signal');

xlabel('Number of Iterations');

(14)

ylabel('y');

grid on; zoom on;

figure;clf;%brings up blank figure. plot (yy(:));

title ('yy Signal');

xlabel('Number of Iterations'); ylabel('Output yy');

grid on; zoom on;

(15)

%---% %Speech sample

%---%

% N=input ('Please enter the number of iterations = '); N=5000;

H = zeros(5,N); % matrix of output signal y. HH = zeros(5,N); % matrix of output signal yy.

sig = zeros(5,5*N); % priori or posteri covariance matrix. K = zeros(5,N); % kalman gain.

XX = zeros(5,N); % kalman coeffcient for yy. I = eye(5);

y = zeros(1,N); % Input signal.

vv = zeros(1,N); % estimated white noise. yy = zeros(1,N); % reconstructed output signal.

%Start of estimated Filter

Q = 0.0001*eye(5,5); % Process Noise Covariance. R = 0.1; % Measurement Noise Covariance

a=wavread('1.wav');%Sinyal Input

y=a(1:N); % y is the output signal produced. sig(1:5,1:5) = 0.1*I;

% "For" Loop for estimate filter: for k=6:N R)*(H(1:5,k)'*sig(1:5,5*k-29:5*k-25))+Q; % error covariance matrix

(16)

XX(1:5,k) = (I - K(1:5,k)*H(1:5,k)')*XX(1:5,k-1) +... (K(1:5,k)*y(k)); % posteriori value of estimate X(k)

vv(k) = y(k) - (H(1:5,k)'*XX(1:5,k)); %White Noise yy(k) = (HH(1:5,k)'*XX(1:5,k)) + vv(k); %Sinyal output end;

% cross convariance c = xcorr(y,yy,'coeff');

figure;clf;%brings up blank figure. plot (vv(:));

title ('Sinyal Noise');

xlabel('Number of Iterations'); ylabel('VV');

grid on; zoom on;

figure;clf;%brings up blank figure.

(17)

plot (XX(3,:),'b');

grid on; zoom on;

figure;clf;%brings up blank figure. plot (y(:));

title ('Input Sinyal Suara'); xlabel('Number of Iterations'); ylabel('Input y');

grid on; zoom on;

figure;clf;%brings up blank figure. plot (yy(:));

title ('Sinyal Output Suara'); xlabel('Number of Iterations'); ylabel('Output yy');

(18)

grid on; zoom on;

figure;clf;%brings up blank figure. plot (c);

title ('Cross Correlation of signal y & yy'); xlabel('i');

ylabel('Correlation'); grid on; zoom on;

%--- %SNR

%--- length(a)

input=y'; output =yy;

%SNR secara langsung

daya_input1=sum(input(1:N).^2);

daya_error1=sum((input(1:N)-output(1:N)).^2); SNR=10*log10(daya_input1-daya_error1)

(19)

BAB I

PENDAHULUAN

1.1. Latar Belakang

Dalam kemajuan teknologi komunikasi saat ini, para peneliti telah menemukan berbagai macam metode pengkode suara yang bertujuan untuk mendapatkan suara yang kualitas tinggi dengan bit yang rendah (4,8 – 16 kbps). Metode itu antara lain Multi-Pulse Linear Predictive Coder (MPLPC), Code Excited Linear Predictive Coder (CELPC) dan Self Excited Vocoder (SEV).

Dibandingkan dengan linear predictive (LP) vocoder yang konvensional, metode-metode ini menggunakan penambahan model produksi suara melalui sintesis suara. Selain metode di atas terdapat satu metode yang lain yaitu, metode dengan least-square estimation.

Metode least-square estimation menggunakan estimator Kalman dalam dekoder untuk mengetahui linier estimasi yang optimal, yaitu estimator linier dengan mean square error yang minimum. Estimator Kalman diperlukan untuk pengoperasian model sinyal dan urutan dari ukuran sinyal.

1.2. Tujuan

Tujuan dari pada pembuatan tugas akhir ini adalah

(20)

Bab I Pendahuluan

1. Merealisasikan simulasi pengkodean sinyal suara dengan metode least-square estimation menggunakan perangkat lunak, yaitu

bahasa pemrograman MATLAB versi 7.0

2. Membandingkan kualitas sinyal keluaran dari pengkode dengan sinyal asli.

1.3. Identifikasi Masalah

1. Bagaimana merealisasikan pengkode sinyal suara dengan metode least square estimation ?

2. Bagaimana kualitas keluaran sinyal suara dari pengkode ?

1.4. Pembatasan Masalah

1. Sinyal suara yang digunakan adalah sinyal suara manusia dengan frekuensi antara 300 Hz – 3400 Hz, dan disimpan dalam bentuk file (*.wav).

2. Perangkat lunak yang digunakan dalam simulasi ini adalah bahasa pemrograman MATLAB versi 7.0.

3. Metode yang digunakan adalah metode least square estimation.

1.5. Sistematika Pembahasan

Penulisan laporan Tugas Akhir ini terdiri dari lima bab, dengan penyusunan sebagai berikut :

(21)

Bab I Pendahuluan

• Bab I menguraikan tentang latar belakang, tujuan penulisan,

pembatasan masalah dan sistematika penulisan dari laporan tugas akhir ini.

• Bab II menguraikan tentang suara manusia dan berbagai macam

metode pengkode sinyal suara.

• Bab III menguraikan tentang filter Kalman dan pengkode sinyal

suara yang berbasiskan algoritma Kalman

• Bab IV menguraikan tentang simulasi pengkode sinyal suara

manusia yang berbasiskan algoritma Kalman dengan menggunakan perangkat lunak MATLAB versi 7.0.

• Bab V menguraikan tentang kesimpulan serta saran yang

memungkinkan guna pengembangan lebih lanjut.

(22)

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Dalam tugas akhir ini dapat diambil beberapa kesimpulan, diantaranya adalah : 1. Simulasi pengkode sinyal suara dengan metode least square estimation

dalam filter Kalman telah dapat direalisasikan.

2. Nilai untuk cross correlation yang baik adalah mendekati 1, dan dalam tugas akhir ini cross correlation untuk delapan sampel suara memiliki nilai 0,8 sampai 0,92. Dari hasil ini menunjukkan bahwa korelasi antara sinyal input dan sinyal output mempunyai tingkat kesamaan yang cukup baik. 3. Dari pengujian sinyal suara sintesis akan didapatkan hasil rata-rata MOS

(Mean Opinion Score) terhadap delapan sampel suara sebesar 3,98.

4. Dari pengujian dengan SNR (Signal to Noise Ratio) untuk iterasi 5.000 didapatkan hasil sebesar 8,05 dB dan untuk iterasi 10.000 sebesar 12,34 dB. Hasil yang didapat memperlihatkan sinyal keluaran yang cukup baik dari pengkode sinyal suara.

5.2. Saran

Adapun saran yang ingin disampaikan adalah agar pengkode sinyal suara ini direalisasikan ke dalam rangkaian real time dan hasilnya dapat langsung diamati.

(23)

DAFTAR PUSTAKA

1. Atal Bishnu, Cuperman Vladimir, Gersho Allen, “Advances in Speech Coding”, Kluwer Academic Publiser 1995.

2. Greg Welch and Gary Bishop,”An Introduction to the Kalman Filter”, TR 95-041, Department of Computer Science University of North Carolina at Chapel Hill, Chapel Hill, NC 27599-3175, 5 April 2004.

3. http://www.ee.ic.ac.uk/hp/staff/dmb/voicebox/voicebox.html 4. http://freespace.virgin.net/sanjeev.sarpal/speech_coding.htm

5. R. E. Kalman, “A New Approach to Linear Filtering and Prediction Problems”, Transaction of the ASME—Journal of Basic Engineering, pp. 35-45, Maret 1960.

6. Robert Grover Brown, Patrick Y. C. Hwang, “Introduction to Random Signals and Applied Kalman Filtering with MATLAB EXERCISES & SOLUTION 3 rd edition, John Wiley and Sons, 1997.