DE19710953A1

DE19710953A1 - Verfahren und Vorrichtung zur Erkennung von Schallsignalen

Info

Publication number: DE19710953A1
Application number: DE1997110953
Authority: DE
Inventors: Frank Dr Rer Nat Kowalewski
Original assignee: Individual
Current assignee: Individual
Priority date: 1997-03-17
Filing date: 1997-03-17
Publication date: 1997-07-24

Description

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Erkennung von Schallsignalen, insbesondere von Sprachsignalen.

In heute üblichen Spracherkennern werden die zu erkennenden Schallsignale zu nächst in eine Frequenz-Zeit-Darstellung (Spektrogramm) überführt. Diese Spek trogramme werden mit vorgegebenen Spektrogrammen verglichen (Einzelworterkennung), bzw. Teile der zu erkennenden Spektrogramme werden mit vorgegebenen Teilspektrogrammen verglichen (Erkennung kontinuierlicher Sprache). Das dem zu erkennenden Spektrogramm ähnlichste Spektrogramm bzw. die den zu erkennenden Teilspektrogrammen ähnlichsten Teilspektrogram me werden bestimmt, und es werden Erkennungssignale daraus abgeleitet.

Die Spektrogramme werden durch Kurzzeit-FFT, Filter-Bank, LPC- oder Cep strum-Analyse bestimmt. LPC- und Cepstrum-Analyse entsprechen dem Erre gungs/Stimmkanal-Modell der menschlichen Stimmgebung. Sie versuchen die erregungs- und die stimmkanalabhängigen Eigenschaften des Schallsignals zu trennen. Die Bildung von Leistungsspektren mit Hilfe von Kurzzeit-FFT oder Filter-Bank kann als grobes Modell der menschlichen Hörwahrnehmung aufgefaßt wer den. Durch Nachbearbeitung der Spektrogramme wird teilweise versucht, einfa che psychoakustische Effekte zu berücksichtigen. Neben der relativ weit verbreiteten Frequenztransformation auf die Bark-Skala [US 4 956 865; Bridle, 1974; Mermelstein, 1976; Cohen, 1989; Gramß, 1989; Hermansky, 1990; Ruske, 1992], werden seltener die statische Lautheitsempfindung [Hanson, 1984; Schotola, 1984; Cohen, 1989; Gramß, 1989; Hermansky, 1990; Ruske, 1992], die Hörempfindlichkeit [Cohen, 1989; Hermansky, 1990] oder zeitliche Verdeckungs phänomene [Cohen, 1989; Gramß, 1989; Paping, 1991; Gramß, 1992; Aikawa, 1993; Pavel, 1994] des Menschen modelliert. Zum Teil wird die aus psychoaku stischen Untersuchungen hervorgegangene, als geeignetes Modell aber umstrit tene, 3 Bark-Integration eingesetzt [Hermansky, 1990; Kowalewski, 1991].

Die Spektrogramme werden außerdem nach nicht psychoakustischen Gesichts punkten nach bearbeitet, vor allem um eine gegenüber Störungen robustere Er kennung zu erreichen [US 4 905 286; US 4 914 692; US 5 220 610; US 5 590 242; Porter, 1984]. Häufig werden dynamische Spektrogrammerkmale bestimmt, um die Erkennung unabhängig von langsamen Spektrumsänderungen zu machen [US 4 956 865; Elenius, 1982; Furui, 1986; Hanson, 1990; Hermansky, 1994]. Sprecherunabhängigkeit der Erkennung erreicht man entweder durch einen aus reichend großen Satz an Vergleichsspektrogrammen, der Sprachversionen vieler verschiedener Sprecher enthält, oder durch Sprecheradaptation [Lee, 1991; Ahadi, 1995; Kamm, 1995].

Da die heute in der Spracherkennung verwendeten Methoden der Spektrogramm berechnung entweder der Sprachkodierung entstammen oder das menschliche Gehör nur grob modellieren, enthalten die berechneten Spektrogramme im allge meinen Informationen, die vom Menschen nicht wahrgenommen werden. Ent sprechend weichen die damit erreichten Erkennungsleistungen stark von denen des Menschen ab. Die zusätzlichen nicht wahrnehmbaren Informationen führen zu größerer Versionsabhängigkeit, Sprecherabhängigkeit und Störungsanfällig keit (z. B. gegenüber Hintergrundgeräuschen oder Übertragungsverlusten) der maschinellen Erkenner.

Die Kompensation der Versions- und Sprecherabhängigkeit durch viele Ver gleichsspektrogramme verschiedener Sprachversionen bzw. Sprecher hat den Nachteil des höheren Aufwandes bei der Bestimmung der ähnlichsten Vergleichs spektrogramme. Sprecheradaptation erfordert vor der eigentlichen Erkennung eine Adaptationsphase, die zusätzlichen Zeitaufwand bedeutet und für kurze Erkennungsaufgaben nicht vertretbar ist.

Nicht psychoakustisch orientierte Methoden zur Eliminierung von Störungen des Sprachsignals haben den Nachteil, im allgemeinen andere Informationen als das menschliche Gehör zu entfernen. Die Robustheit der Erkennung gegenüber Stö rungen weicht von der des Menschen ab.

Aufgabe der Erfindung ist es, die Erkennungsraten heutiger Erkenner für Schall signale zu verbessern. Die Erkennung soll robuster gegenüber Störungen ge macht werden. Die Schallsignale sollen möglichst ähnlich dem Menschen erkannt werden. Sprachsignale sollen versionsunabhängiger und sprecherunabhängiger erkannt werden.

Diese Aufgabe wird durch das Verfahren mit den Merkmalen des Anspruchs 1 ge löst.

Das Verfahren ahmt die auditive Wahrnehmung des Menschen nach. Dadurch macht es die Erkennung von Schallsignalen, gegenüber heute gebräuchlichen Verfahren, der menschlichen Erkennung ähnlicher. Das Verfahren berücksichtigt die subjektive Tonhöhenwahrnehmung des Menschen, die Frequenzabhängigkeit der Hörempfindlichkeit, die statische Lautstärkewahrnehmung und Simultan- und Nachverdeckungsphänomene. Neben diesen auszugsweise auch durch andere Verfahren berücksichtigten psychoakustischen Effekten, werden Effekte nachge ahmt, die andere Verfahren nicht nachahmen, und zwar die Hörschwelle des Menschen, das Intensitätsunterscheidungsvermögen und die Abhängigkeit der Nachverdeckung von der Testtonlänge. Statische Lautheit und Simultanver deckung werden korrekter berücksichtigt.

Es werden Signalanteile eliminiert, die vom Menschen nicht wahrgenommen wer den. Aus Sprachsignalen werden Anteile entfernt, die keine sprachliche Informa tion enthalten. Dadurch wird die Erkennung von Sprache versions- und sprecherunabhängiger. In Einzelworterkennungsexperimenten fanden wir im Ver gleich zu einem den Stand der heutigen Technik verwendenden Verfahren eine Erhöhung der sprecherabhängigen Erkennungsraten von 92,7% auf 98,8%. Die sprecherunabhängigen Raten stiegen von durchschnittlich 70,9% auf 87,4% (Tabelle 1).

Diese Erkennungsraten wurden mit dem unten beschriebenen Ausführungsbei spiel des Verfahrens erzielt. Der verwendete A/D-Wandler hatte eine Abtastrate von T_s = 1/16 kHz. Es wurden N = 64-komponentige Spektren berechnet. Die Vergleichsraten wurden mit einer Anordnung bestimmt, die anstelle des gesam ten unten beschriebenen nicht-linearen Filters nur die dem Stand der Technik ent sprechenden Teile verwendet, und zwar die Gewichtung (11) der Spektrumskomponenten entsprechend der menschlichen Hörkurve und die Be rechnung der statischen Lautheit (12) durch das Monom W^1/4. Beide Spracher kenner wurden sowohl in den sprecherabhängigen als auch in den sprecherunabhängigen Experimenten mit einer Version eines männlichen Spre chers der 62 zu erkennenden Wörter trainiert. In der Testphase waren andere Versionen desselben oder anderer Sprecher zu erkennen.

Durch die verbesserte Versions- und Sprecherunabhängigkeit des Verfahrens können mit weniger Vergleichsspektrogrammen ähnliche oder bessere Erken nungsraten erzielt werden als mit herkömmlichen Verfahren. Der besonders zeitkritische Spektrogrammerkennungsprozeß kann hierdurch beschleunigt wer den.

Durch Verwendung des Verfahrens wird die Erkennung gegenüber Störungen ro buster. Die sprecherabhängigen Erkennungsraten für verrauschte und höhenan gehobene Sprache wurde durch Einsatz des Verfahrens von durchschnittlich 58,3% auf 97,2% erhöht (Tabelle 1). Die Experimente wurden mit denselben un gestörten Lerndaten wie oben durchgeführt.

Tabelle 1

Erkennungsraten

Die Erkennungsraten lassen sich weiter steigern, indem das Filter an Art und Stär ke vorhandener Störungen angepaßt wird. Durch Erhöhung des im unten gege benen Ausführungsbeispiel beschriebenen Parameters W₀ bei additiven Störungen, nimmt die Erkennungsrate für verrauschte Sprache noch einmal von 96,0% auf 99,2% zu (Tabelle 1).

Da das nicht-lineare Filter auf zeitlich grob abgetasteten Spektrogrammen arbei tet, erfordert es nur geringen rechnerischen Mehraufwand gegenüber Verfahren, die psychoakustische Effekte nicht berücksichtigen.

Ein Ausführungsbeispiel der Erfindung ist in Abb. 1 und Abb. 2 darge stellt. Es handelt sich um ein Verfahren zur Einzelworterkennung. Abb. 1 zeigt es in der Übersicht.

Das zu erkennende Schallsignal wird zunächst einer Kurzzeitfrequenzanalyse (1) unterzogen, die entsprechend der Bark-Skala unterteilte Leistungsspektren lie fert. Die Leistungsspektren bilden das Spektrogramm des Schallsignals. Dieses Spektrogramm wird durch ein zweidimensionales nicht-lineares Filter (2) in eine der menschlichen auditiven Erkennung besser entsprechende Form transfor miert. Die transformierten Spektrogramme werden durch einen Vergleicher (3) mit vorgegebenen Spektrogrammen verglichen. Das dem zu erkennenden Spektro gramm ähnlichste Vergleichsspektrogramm wird bestimmt.

Wesentliches und neues Element des Erkennungsverfahrens ist das zweidimen sionale Filter (2). Es ist für die erhöhten Erkennungsraten verantwortlich. Abb. 2 zeigt seinen Aufbau.

Die Komponenten der Einzelspektren werden zuerst mit frequenzabhängigen Empfindlichkeitsfaktoren gewichtet (11). Aus den gewichteten Spektren werden verdeckende und zu verdeckende Spektren berechnet. Durch komponentenwei se Subtraktion (20) der verdeckenden von den zu verdeckenden Spektren, wer den aus den zu verdeckenden Spektren Informationen entfernt, die der Mensch nicht wahrnimmt.

Die zu verdeckenden Spektren errechnen sich aus den gewichteten durch kom ponentenweise Transformation (12) auf die statische Lautheit, Tiefpaßfilterung (13) und nachfolgende Transformation (14) auf eine Lautheitsunterscheidungs skala. Die verdeckenden Spektren erhält man aus den gewichteten durch Tief paßfilterung (15), zeitliche Verzögerung (16), Anwendung der statischen Lautheitstransformation (17), lineare, bzgl. der Frequenz verschmierende Trans formation (18) und Transformation (19) auf die Lautheitsunterscheidungsskala.

Im folgenden werden die einzelnen Schritte des Ausführungsbeispiels näher be schrieben.

Das durch A/D-Wandlung gewonnene und zu den diskreten Zeitpunkten t_ν = ν·T_s, ν ε IN, T 1/16 kHz vorliegende Schallsignal S_ν = S(t_ν) wird ge mäß der Rechenvorschrift

diskret Fourier-t-transformiert [Terhardt, 1985], mit den Bark-Skalen angepaßten Analyseparametern

wobei

nach [Traunmüller, 1987] als Approximation der Bark-Skala genommen wird. Die Komponenten S_n, _ν der Fourier-t-Spektren entsprechen dem mit verschiede nen Bandpässen gefilterten Schallsignal. Die quadrierten Übertragungsfunktio nen der Bandpässe sind für T_s = 1/16 kHz und N = 64 in Abb. 3 dargestellt.

Die Leistungssignale P_n, _ν = |S_n, _ν|² werden gemäß
P′_n,0 = 0
P′_n, _ν = α·P′_n, _ν _-1 + (1-α)·P_n, _ν
Q′_n,µ = P′_n,c·µ

≈ 10 ms T = ganzzahliges Vielfaches von T_s

zeitlich geglättet und im zeitlichen Abstand T abgetastet. Abb. 4 zeigt oben ein so gewonnenes Spektrogramm des Wortes "Senken". Die Leistungsspektren werden nun dem zweidimensionalen Filter (2) zugeführt. Entsprechend

W_n,µ = w_n·Q_n,µ

werden die Spektrumskomponenten zunächst mit Empfindlichkeitsfaktoren w_n gewichtet (11). Die Faktoren ergeben sich aus der menschlichen Hörschwelle L(ω) zu

L(ω) kann durch lineare Interpolation der in Tabelle 2 gezeigten Werte angenä hert werden.

Tabelle 2

Menschliche Hörschwelle

Die für die anschließende Berechnung der verdeckenden und der zu verdecken den Spektren nötigen statischen Lautheitstransformationen (12) und (17) können sinnvoll durch

approximiert werden. W und W′ bezeichnen hier wie im folgenden das Eingangs bzw. Ausgangssignal des Verarbeitungsschrittes. Für eine möglichst menschen ähnliche Erkennung ist W₀ auf den Eingangswert W zu setzen, den ein 1 kHz-Ton mit einem Schallpegel von 36 dB an der für 1 kHz empfindlichsten Stelle des zuge hörigen gewichteten Spektrums erzeugt.

Die Tiefpaßfilter (13) und (15) bestimmen die zeitlichen Verdeckungseigenschaf ten des zweidimensionalen Filters. Sie können identisch und als Leaky-Integrato ren ausgeführt werden:

W′_n,µ = β·W′_n,µ-1 + (1-β)·W_n,µ

Diese Filter haben den Vorteil sehr einfach berechnet werden zu können. Für β erweist sich ein Wert von 0,6 als günstig.

Die Verzögerung (16) in der Berechnung der verdeckenden Spektren kann für Verzögerungszeiten, die nicht ganzzahlige Vielfache von T sind, nur angenähert werden, etwa durch die lineare Interpolation

Für γ erweist sich ein Wert von 1,0 als sinnvoll.

Die zur Verschmierung der verdeckenden Spektren nötige lineare Transforma tion (18)

soll Simultanverdeckungseffekte der menschlichen Hörwahrnehmung modellie ren. Die Zeilen der Tranformationsmatrix sollten daher dem Kehrwert psychoaku stischer Tuningkurven entsprechen. Das wird durch die Wahl

erreicht. δ kann sinnvoll auf 0,05 gesetzt werden. Abb. 5 zeigt die resultie rende Matrix für N = Z(f_Nyq) = 21 in bildlicher Form.

Bei der oben gegebenen Wahl der statischen Lautheitstransformationen (12) und (17), ist es sinnvoll die Lautheitsunterscheidungstransformationen (14) und (19) gemäß

vorzunehmen.

Abb. 4 zeigt unten das darüber dargestellte Wort "Senken" nach Bearbei tung durch das beschriebene zweidimensionale Filter (2).

Zum Vergleich der gefilterten Spektrogramme mit vorgegebenen Spektrogram men wird ein DTW-Verfahren (3) eingesetzt. Die vorgegebenen Spektrogramme werden aus Wortversionen berechnet, deren Wortklassen bekannt sind. Die Spektrogramme werden mit demselben Verfahren wie die zu erkennenden Spek trogramme berechnet. Es wird das Vergleichsspektrogramm bestimmt, dessen DTW-Abstand zum zu erkennenden Spektrogramm am kleinsten ist. Seine Wort klasse wird ausgegeben.

Mit Vorteil kann ein modifiziertes DTW-Verfahren eingesetzt werden, das beliebi ge Zeitverzerrungen zuläßt und Schritte ohne Zeitverzerrung mit einem Faktor C_Diag ε [0, 1], vorzugsweise C_Diag = 0, 7, gewichtet. Der Abstand D(W⁽¹⁾, W⁽²⁾) zweier Spektrogramme W⁽¹⁾ _n,µ, W⁽²⁾ _n, _ν (µ = 1, . . ., M₁; v = 1, . . ., M₂) berechnet sich dann nach:

Referenzen

Ahadi, S.M. und P.C. Woodland: "Rapid speaker adaptation using model predic tion", Proc. IEEE Internat. Conf. Acoust. Speech 1995, Detroit, MI, 684-687.
Aikawa, K., H. Singer, H. Kawahara und Y. Tohkura: "A dynamic cepstrum incor porating time-frequency masking and its application to continuous speech re cognition", Proc. IEEE Internat. Conf. Acoust. Speech Signal Process. 1993, Minneapolis, MN, II-668-671.
Bridle, J.S. und M.D. Brown: "An experimental automatic word recognition sy stem", JSRU Report Nr. 1003, Ruislip, England: Joint Speech Research Unit, 1974.
Cohen J.R.: "Application of an auditory model to speech recognition", J. Acoust. Soc. Amer., Bd. 85 (1989), Nr. 6, 2623-2629.
Elenius, K. und M. Blomberg: "Effects of emphasizing transitional or stationary parts of the speech signal in a discrete utterance recognition system", Proc. IEEE Internat. Conf. Acoust. Speech Signal Process. 1982, Paris, France, 535-537.
Furui, S.: "Speaker-independent isolated word recognition using dynamic features of speech spectrum", IEEE Tans. Acoust. Speech Signal Process., Bd. 34 (1986), 52-59.
Gramß, T. und H.W. Strube: "Entwicklung mehrschichtiger neuronaler Netzwerke zur Worterkennung und -reproduktion", Informationstechnik, Bd. 5 (1989), 324-333.
Gramß, T.: "Worterkennung mit einem künstlichen neuronalen Netz", Dissertati on, Georg-August-Universität Göttingen, 1992.
Hanson, B. und D. Wong: "The harmonic magnitude suppression (HMS) tech nique for intelligibility enhancement in the presence of interfering speech", Proc. IEEE Internat. Conf. Acoust. Speech Signal Process. 1984, 18.A.5.1.-18.A.5.4.
Hanson, B.A. und T.H. Applebaum: "Robust speaker-independent word recogni tion using static, dynamic and acceleration features: experiments with Iombard and noisy speech", Proc. IEEE Internat. Conf. Acoust. Speech Signal Process. 1990, 857-860.
Hermansky H.: "Perceptual linear predictive (PLP) analysis of speech", J. Acoust. Soc. Amer., Bd. 87 (1990), Nr. 4, 1738-1752.
Hermansky H. und N. Morgan: "RASTA processing of speech", IEEE Trans. Speech Audio Process., Bd. 2 (1994), Nr. 4, 578-589.
Kamm T., A.G. Andreou und J. Cohen: "Vocal tract normalization in speech re cognition: Compensation for systematic speaker variability", Proc. 1 5th Annual Speech Research Symposium 1995, Johns Hopkins University, Baltimore, MI, 175-179.
Kowalewski, F.: "Rückgekoppelte und wachsende neuronale Netze zur dynami schen Erkennung von Sprache", Dissertation, Georg-August-Universität Göt tingen, 1991.
Lee C-H., C-H. Lin und B-H. Juang: "A study on speaker adaptation of the para meters of continuous density hidden Markov models", IEEE Trans. Signal Pro cess., Bd. 39 (1991), Nr. 4, 806-814.
Mermelstein, P.: "Distance measures for speech recognition, psychological and instrumental", in Pattern Recognition and Artificial Intelligenoe, Hrsg. R.C.H. Chen, Academic Press, New York, 1976, 374-388.
Paping, M. und H.W. Strube: "Psychoakustische Vorverarbeitung zur Spracher kennung", Fortschritte der Akustik - DAGA′91,1 991, 997-1000.
Pavel M. und H. Hermansky: "Temporal masking in automatic speech recogniti on", J. Acoust. Soc. Amer., Bd. 95(1994), Nr. 5, 2876ff.
Porter J.E. und S.F. Boll: "Optimal estimators for spectral restoration of noisy speech", Proc. IEEE Internat. Conf. Acoust. Speech Signal Process. 1984, San Diego, CA, 18.A.2.1.-18.A.2.4.
Ruske, G. und M. Beham: "Gehörbezogene automatische Spracherkennung", in Sprachliche Mensch-Maschine-Kommunikation, H. Mangold (Hrsg.), Olden bourg, München usw., 1992, 33-47.
Schotola, T.: "On the use of demisyllables in automatic word recognition", Speech Comm., Bd. 3 (1984), 63-87.
Terhardt, E.: "Fourier transformation of time tignals: conceptual revision", Acustica, Bd. 57 (1985), 242-256.
Traunmüller, H. und F. Lacerda: "Perceptual relativity in identification of two-for mant vowels", Speech Comm., Bd. 6 (1987), 143-157.

U.S. Patent, Nr. 4.905.286
U.S. Patent, Nr. 4.914.692
U.S. Patent, Nr. 4.956.865
U.S. Patent, Nr. 5.220.610
U.S. Patent, Nr. 5.590.242

Claims

1. Ein Verfahren zur Erkennung von Schallsignalen, das einen Verarbeitungs schritt zur Gewinnung von Bark-Skalen-angepaßten Kurzzeitleistungsspek tren und eine Spektrogrammerkennungsstufe aufweist, gekennzeichnet durch:

i) die Gewichtung (11) der Komponenten der Bark-Leistungsspektren des zu erkennenden Schallsignals entsprechend der menschlichen Hörkurve.
ii) die Berechnung zu verdeckender Spektren aus den in Verfahrensschritt i) gewonnenen Spektren durch Transformation (12) auf die statische Laut heit, Tiefpaßfilterung (13) und anschließende Transformation (14) auf eine Lautheitsunterscheidungsskala.
iii) die Berechnung verdeckender Spektren aus den in Verfahrensschritt i) gewonnenen Spektren durch Tiefpaßfilterung (15), Verzögerung (16), An wendung einer mit der statischen Lautheitstransformation (12) aus Schritt ii) identischen Lautheitstransformation (17), verschmierende linea re Transformation (18) und Transformation (19) auf die Lautheitsunter scheidungsskala aus Schritt ii) (14).
iv) komponentenweise Subtraktion (20) der verdeckenden Spektren aus Schritt iii) von den zu verdeckenden Spektren aus Schritt ii) und Weiter leitung der resultierenden Spektren an die Spektrogrammerkennungsstu fe.

2. Ein Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die Kurzzeit leistungsspektren durch schnelle Fouriertransformation berechnet werden, wobei benachbarte Komponenten der Fourier-Leistungsspektren zu Bark breiten Komponenten zusammengefaßt werden.

3. Ein Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die Kurzzeit leistungsspektren durch Fourier-t-Transformation berechnet werden, wobei die Analyseparameter entsprechend der Bark-Skala gewählt werden.

4. Ein Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die Kurzzeit leistungsspektren durch eine Filterbank berechnet werden, wobei die Filter entsprechend der Bark-Skala gewählt werden.

5. Ein Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die statischen Lautheitstransformationen (12) und (17) der Verfahrensschritte ii) und iii) des Anspruchs 1 gegeben sind durch

6. Ein Verfahren nach Anspruch 5, dadurch gekennzeichnet, daß die Konstante W₀ der Lautheitstransformation aus Anspruch 5 auf den Eingangswert W ge setzt wird, den ein 1 kHz-Ton mit einem Schallpegel von 36 dB an der für 1 kHz empfindlichsten Stelle des zugehörigen gewichteten Spektrums erzeugt.

7. Ein Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die Tiefpaßfil ter (13) und (15) der Verfahrensschritte ii) und iii) des Anspruchs 1 identische Leaky-Integratoren sind.

8. Ein Verfahren nach Anspruch 7, dadurch gekennzeichnet, daß die Leaky-In tegratoren aus Anspruch 7 durch W′_n,µ = β·W′_n,µ1 + (1-β)·W_n,µ
β = 0, 6
W_n,µ = n-te Komponente des µ-ten Eingangsspektrums
W′_n,µ = n-te Komponente des µ-ten Ausgangsspektrumsgegeben sind.

9. Ein Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die ver schmierende lineare Transformation (18) aus Schritt iii) des Anspruchs 1 ge geben ist durch: f_Nyq = 1(2T_s)
N = Anzahl der Spektrumskomponenten
T_s = Abtastperiode
W_m,µ = m-te Komponente des µ-ten Eingangsspektrums
W′_n,µ = n-te Komponente des µ-ten Ausgangsspektrums

10. Ein Verfahren nach Anspruch 9, dadurch gekennzeichnet, daß der Parameter δ zur Berechnung der Verschmierungsmatrix M_n,m aus Anspruch 9 den Wert 0,05 hat.

11. Ein Verfahren nach Anspruch 5, dadurch gekennzeichnet, daß die Lautheits unterscheidungstransformationen (14) und (19) aus Schritt ii) und iii) des An spruchs 1 gegeben sind durch:

12. Ein Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die Parameter der in Anspruch 1 beschriebenen Verarbeitungsschritte für verschiedene Stö rungen des zu erkennenden Schallsignals verschieden und evtl. zeitlich lang sam veränderlich gewählt werden und sowohl das zu erkennende Spektrogramm als auch die Vergleichsspektrogramme mit diesen Parame tern bearbeitet werden.

13. Ein Verfahren nach Anspruch 12, dadurch gekennzeichnet, daß aus den un gefilterten Leistungsspektrogrammen der zu erkennenden Schallsignale Art und Stärke vorhandener Störungen geschätzt werden und aus dieser Schät zung die für das Verfahren nach Anspruch 12 benötigten Parameter abgelei tet werden.

14. Eine Vorrichtung zur Erkennung von Schallsignalen, die eine Einrichtung zur Gewinnung von Bark-Skalen-angepaßten Kurzzeitleistungsspektren und eine Einrichtung zur Erkennung von Spektrogrammen aufweist, gekenn zeichnet durch:

i) eine Einrichtung zur Gewichtung (11) der Komponenten der durch die Kurzzeitfrequenzanalyseeinrichtung gelieferten Bark-Leistungsspektren des zu erkennenden Schallsignals entsprechend der menschlichen Hör kurve.
ii) eine Einrichtung zur Berechnung zu verdeckender Spektren aus den durch Einrichtung i) gewonnenen Spektren durch Transformation (12) auf die statische Lautheit, Tiefpaßfilterung (13) und anschließende Transfor mation (14) auf eine Lautheitsunterscheidungsskala.
iii) eine Einrichtung zur Berechnung verdeckender Spektren aus den durch Einrichtung i) gewonnenen Spektren durch Tiefpaßfilterung (15), Verzö gerung (16), Anwendung einer mit der statischen Lautheitstransformation (12) der Einrichtung ii) identischen Lautheitstransformation (17), ver schmierende lineare Transformation (18) und Transformation (19) auf die Lautheitsunterscheidungsskala der Einrichtung ii) (14).
iv) eine Einrichtung zur komponentenweisen Subtraktion (20) der durch Ein richtung iii) gelieferten verdeckenden Spektren von den durch Einrichtung ii) gelieferten zu verdeckenden Spektren und Weiterleitung der resultierenden Spektren an die Spektrogrammerkennungseinrich tung.

15. Eine Vorrichtung nach Anspruch 14, dadurch gekennzeichnet, daß die Kurz zeitleistungsspektren durch schnelle Fouriertransformation berechnet wer den, wobei benachbarte Komponenten der Fourier-Leistungsspektren zu Bark-breiten Komponenten zusammengefaßt werden.

16. Eine Vorrichtung nach Anspruch 14, dadurch gekennzeichnet, daß die Kurz zeitleistungsspektren durch Fourier-t-Transformation berechnet werden, wo bei die Analyseparameter entsprechend der Bark-Skala gewählt werden.

17. Eine Vorrichtung nach Anspruch 14, dadurch gekennzeichnet, daß die Kurz zeitleistungsspektren durch eine Filterbank berechnet werden, wobei die Fil ter entsprechend der Bark-Skala gewählt werden.

18. Eine Vorrichtung nach Anspruch 14, dadurch gekennzeichnet, daß die stati schen Lautheitstransformationen (12) und (17) der Einrichtungen ii) und iii) des Anspruchs 14 gegeben sind durch

19. Eine Vorrichtung nach Anspruch 18, dadurch gekennzeichnet, daß die Kon stante W₀ der Lautheitstransformation aus Anspruch 18 auf den Eingangs wert W gesetzt wird, den ein 1 kHz-Ton mit einem Schallpegel von 36 dB an der für 1 kHz empfindlichsten Stelle des zugehörigen gewichteten Spektrums erzeugt.

20. Eine Vorrichtung nach Anspruch 14, dadurch gekennzeichnet, daß die Tief paßfilter (13) und (15) der Einrichtungen ii) und iii) des Anspruchs 14 identi sche Leaky-Integratoren sind.

21. Eine Vorrichtung nach Anspruch 20, dadurch gekennzeichnet, daß die Lea ky-Integratoren aus Anspruch 20 durch W′_n,µ = β·W′_n,µ-1 + (1-β)·W_n,µ
β = 0, 6
W_n,µ = n-te Komponente des µ-ten Eingangsspektrums
W′_n,µ = n-te Komponente des µ-ten Ausgangsspektrumsgegeben sind.

22. Eine Vorrichtung nach Anspruch 14, dadurch gekennzeichnet, daß die ver schmierende lineare Transformation (18) der Einrichtung iii) des Anspruchs 14 gegeben ist durch: f_Nyq = 1/(2T_s)
N = Anzahl der Spektrumskomponenten
T_s = Abtastperiode
W_m,µ = m-te Komponente des µ-ten Eingangsspektrums
W′_n,µ = n-te Komponente des µ-ten Ausgangsspektrums

23. Eine Vorrichtung nach Anspruch 22, dadurch gekennzeichnet, daß der Para meter δ zur Berechnung der Verschmierungsmatrix M_n,m aus Anspruch 22 den Wert 0,05 hat.

24. Eine Vorrichtung nach Anspruch 18, dadurch gekennzeichnet, daß die Lautheitsunterscheidungstransformationen (14) und (19) der Einrichtungen ii) und iii) des Anspruchs 14 gegeben sind durch:

25. Eine Vorrichtung nach Anspruch 14, dadurch gekennzeichnet, daß die Para meter der in Anspruch 14 beschriebenen Einrichtungen für verschiedene Stö rungen des zu erkennenden Schallsignals verschieden und evtl. zeitlich langsam veränderlich gewählt werden und sowohl das zu erkennende Spek trogramm als auch die Vergleichsspektrogramme mit diesen Parametern be arbeitet werden.

26. Eine Vorrichtung nach Anspruch 25, dadurch gekennzeichnet, daß aus den ungefilterten Leistungsspektrogrammen der zu erkennenden Schallsignale Art und Stärke vorhandener Störungen geschätzt werden und aus dieser Schätzung die für die Vorrichtung nach Anspruch 25 benötigten Parameter abgeleitet werden.