автореферат диссертации по радиотехнике и связи, 05.12.04, диссертация на тему:Повышение показателей качества радиотехнических устройств обобщённой спектрально-корреляционной обработки речевых сигналов

Актуальность темы. Разработка и внедрение естественно—языковых интерфейсов, обеспечивающих эффективное взаимодействия человека и информационно-управляющих комплексов, требует повышения показателей качества радиотехнических устройств обработки речевых сигналов (РС). К данному классу радиотехнических устройств относятся устройства сегментации, кодирования, хранения, передачи и распознавания РС, используемые в системах: информационного обеспечения, конфиденциального доступа и закрытия речевой информации, криминалистической фоноскопии, автоматического установления личности по голосу и контроля информанта, речевого управления робототехническими механизмами и транспортными средствами, медицинской диагностики и др.

Наиболее существенный вклад в развитие теории речеобразования и методов сегментации, кодирования, передачи, распознавания РС внесли работы М.А. Сапожкова, А.А. Пирогова, Т.К. Винцюк, Р.В. Гудонавичюса, Л.В. Златоустовой, Р.К. Потаповой, В.Г. Михайлова, Ю.К. Калинцева, М.В.Назарова, Ю.Н.Прохорова, Г.С. Рамишвили, В.И. Галунова [1.22], а также работы Г. Фанта, К. Фу, Б.С. Атала, Дж. Ту, Т. Гонсалеса, Дж.Д. Маркела, А.Х. Грейя, Л.Р. Рабинера, Р.В. Шафера, У. Ли, Дж.Р. Доддингтона и др. [23.31].

В ряде важнейших проблем при разработке алгоритмов сегментации и распознавания РС, наиболее актуальными являются:

1. Определение информативной системы акустических параметров фонетических элементов речи.

2. Уменьшение влияния вариативности акустических параметров фонетических элементов речи на показатели качества радиотехнических устройств сегментации и распознавания РС,

3. Повышение вычислительной эффективности алгоритмов сегментации и распознавания РС в интересах обеспечения обработки в реальном масштабе времени при заданном объёме словаря и числе дикторов.

В радиотехнических устройствах сегментации и распознавания речи, как правило, используются системы акустических параметров, основанные на спектральном представлении локально-стационарных участков РС в базисе комплексных экспоненциальных функций [1, 6, 16, 20.22, 30], называемом представлением Крамера [32]. Представление Крамера является частным случаем представления Карунена, когда базисные функции произвольного вида определяются, как комплексные экспоненциальные функции [32]. Однако, только представление Крамера получило широкое распространение в задачах сегментации и распознавания РС, что обусловлено разработанной в достаточном объёме теорией спектрально-корреляционного анализа случайных процессов (СП), позволяющей определять эффективные оценки спектра мощности [32.40]. Развитие аппарата спектрального анализа реализаций СП в базисе комплексных экспоненциальных функций обусловлено следующими основными причинами:

- для эргодических СП при устремлении интервала анализа в бесконечность представление Крамера приближается к разложению Карунена-Лоэва, т. е. является оптимальным по критерию минимума среднеквадратической ошибки (СКО) аппроксимации;

- представление Крамера и преобразование Винера-Хинчина могут быть реализованы на основе быстрого преобразования Фурье (БПФ), что обеспечивает достаточно неплохую вычислительную эффективность алгоритма обработки;

- представление в базисе комплексных экспоненциальных функций допускает простую физическую интерпретацию в виде спектра мощности СП в частотном диапазоне;

- базис комплексных экспоненциальных функций обладает рядом замечательных свойств (мультипликативность, теоремы о свертке, сдвиге и т. д.), что обеспечивает сравнительную простоту получения решения и его реализации в большинстве практических задач.

Вышеизложенные преимущества спектрального анализа в рамках представления Крамера не являются приоритетными при разработке алгоритмов сегментации и распознавания РС. Здесь более значимым следует считать информационный критерий, обеспечивающий минимизацию ошибки распознавания (или ошибки ложной сегментации) [3, 26, 30]. В связи с постоянно возрастающей сложностью алгоритмов сегментации и распознавания РС, имеющих многоуровневую иерархическую структуру, существенное значение имеет также критерий требуемых вычислительных затрат [41, 42]. С этой точки зрения алгоритм БПФ в базисе комплексных экспоненциальных функций не является самым эффективным. Известно сверхбыстрое преобразование Хаара, а также другие эффективные ортогональные преобразования, которые не требуют операций умножения (быстрое преобразование Уолша), либо требуют гораздо меньше операций умножения, чем БПФ (быстрое преобразование Виленки-на-Крестенсона) [41.43]. Кроме базисной системы комплексных экспоненциальных функций существует множество ортогональных базисов, обладающих свойством мультипликативности [44]. Например, все базисные системы, состоящие из функций Виленкина-Крестенсона, являются мультипликативными по обеим координатам [43.45]. Более того, для всех базисных систем Виленкина-Крестенсона справедливы аналоги теорем классического спектрального анализа: теоремы взаимности, запаздывания, смещения, свертки и др. [44]. Последнее обстоятельство делает возможным распространение положений теории классического спектрального анализа СП (представление Крамера) на случай произвольных базисных систем (представление Карунена), обладающих вышеуказанными свойствами.

Таким образом, не смотря на исключительно важную роль спектрального анализа сигналов в базисе комплексных экспоненциальных функций, недостатки, связанные с неоптимальностью и недостаточной вычислительной эффективностью, ограничивают область его применения, т. к. не позволяют достичь потенциальных показателей качества радиотехнических устройств сегментации и распознавания PC. В работах В.А. Омельченко, А.И. Солодовникова,

A.M. Спиваковского, С. Ватанабэ, К. Фукунаги, Р. Дуда, П. Харта, П.С. Акимова показана целесообразность и перспективность применения обобщенных спектральных представлений (ОСП) реализаций СП при распознавании случайных сигналов [32, 46.51], в классе которых определены стохастические модели PC. Наиболее значимые результаты в области обобщенной спектральной теории детерминированных сигналов были получены в работах Н.Я. Виленкина, С. Качмажа, Г. Штейнгауза, A.M. Трахтмана, В.А. Трахтмана,

B.Н. Пойды, Н. Ахмеда, K.P. Pao, X. Хармута [42.45, 47, 52]. Возможность гармонических и негармонических спектральных представлений стационарных и нестационарных СП, а также их корреляционных функций была показана в работах А.Я. Хинчина, Е.Е. Слуцкого, А.Н. Колмогорова, М. Лоэва, Д. Косамби, К. Карунена, B.C. Пугачёва, A.M. Яглома [32, 53.57]. Одним из важнейших вопросов при спектральном анализе реализаций СП в рамках представления Карунена остаётся вопрос, связанный с показателями качества оценок обобщённого спектра мощности (ОСМ): их состоятельностью, достаточностью, несмещённостью и эффективностью.

Вышеизложенное показывает актуальность задачи выбора оптимального по информационному критерию представления СП, обеспечивающего требуемое быстродействие алгоритма обработки PC. Решение данной задачи возможно в рамках представления Карунена, что требует определения оценивающих функционалов обобщенного спектрально-корреляционного анализа, исследования их вероятностных характеристик и разработки оптимальных процедур оценивания ОСМ по критерию минимума СКО.

Одной из основных проблем в устройствах распознавания PC является проблема определения информативной системы акустических параметров, выражающей строго индивидуальные особенности голоса информанта в задачах автоматического распознавания дикторов (АРД) или характеризующей инвариантно относительно интер и интраиндивидуальных вариаций PC фонетические элементы в задачах автоматического распознавания речи (АРР). В рамках известных подходов к формированию акустических параметров фонетических элементов речи в задачах распознавания PC возможно выделить статические и динамические (дифференциальные) системы признаков, принципиальное отличие которых состоит в организации анализа PC с учётом предыстории развития речевого процесса [1, 20.22, 29.31]. С точки зрения информационного критерия относительная степень эффективности данных подходов исследована недостаточно полно. Вышеизложенное показывает актуальность исследований идентификационной значимости и информационной эффективности статических, динамических и комбинированных систем акустических параметров фонетических элементов PC, основанных на ОСП, в интересах повышения показателей качества алгоритмов АРД и АРР. Реализация данных исследований требует определения функции распределения плотности вероятности (ФПВ) оценки ОСМ СП, а также условной ФПВ оценок комбинированной системы статических и динамических ОСП в интересах синтеза оптимального и разработки эффективного с вычислительной точки зрения квазиоптимального алгоритмов АРД и АРР.

Основные трудности в распознавании PC связаны с вариативностью (изменчивостью) акустических параметров, характеризующих один и тот же фонетический элемент [20, 22]. Источником вариаций акустических признаков являются ряд мешающих факторов. Условно можно выделить изменчивость, связанную с внешними дестабилизирующими факторами, дикторскую и контекстную изменчивость, а также изменчивость, обусловленную ошибкой оценивания акустических параметров фонетических элементов речи. Вопросы компенсации последнего вида изменчивости, связанной с большой дисперсией спектральных оценок на которых основаны акустические параметры, как правило, специально не рассматриваются [1, 20.22, 29.31]. Точность представления, используемых при распознавании, оценок ОСМ определяется их состоятельностью, эффективностью и несмещенностью. Данные характеристики оценок ОСМ могут оказывать существенное влияние на качественные показатели радиотехнических устройств сегментации и распознавания PC. Поэтому, представляет практический интерес исследование взаимосвязи вероятности правильного распознавания и степени эффективности спектральных оценок, модифицированных на основе оптимальных процедур оценивания ОСМ СП по критерию минимума СКО. Решение поставленной задачи требует определения ФПВ модифицированной оценки ОСМ СП, а также условной ФПВ оценок комбинированной системы статических и динамических модифицированных ОСП в интересах синтеза оптимального и разработки эффективного с вычислительной точки зрения квазиоптимального алгоритмов АРД и APP.

Процедуры обобщённого спектрально-корреляционного анализа СП могут эффективно использоваться в широком диапазоне радиотехнических приложений, связанных с обработкой случайных сигналов. В частности, оценивание масс-спектров (МСП) вещества, как правило, основано на известных методах фильтрации [58.60], что не позволяет достичь потенциальных показателей качества устройств данного класса в силу недостаточной эффективности и неадаптивности тривиального подхода. Таким образом, актуальной является задача разработки адаптивной процедуры оптимальной весовой обработки оценки МСП и анализ эффективности её применения по сравнению с известными алгоритмами по критериям уменьшения амплитуды ложных осцилляций и высокой разрешающей способности.

Цель работы. Основной целью диссертационной работы является разработка процедур оптимального оценивания ОСМ СП в интересах определения информативных систем акустических признаков фонетических элементов речи, обеспечивающих повышение показателей качества радиотехнических устройств сегментации и распознавания PC.

Поставленная цель работы включает решение следующих задач:

1. Разработка процедур оптимального оценивания ОСМ по критерию минимума СКО.

2. Разработка алгоритма высококачественного выделения фонетических элементов РС, основанного на использовании оптимальных оценок ОСМ.

3. Синтез оптимального и разработка квазиоптимального алгоритмов распознавания РС на основе комбинированной системы статических и динамических модифицированных ОСП.

Методы проведения исследований. В работе использовались методы статистической радиотехники и математической статистики, вариационного и матричного исчисления, элементы теорий игр и распознавания образов, динамического программирования, кластерного анализа, вычислительной математики, а также новейшие достижения в области современных речевых технологий, телекоммуникаций и цифровой обработки информации. Данные теоретические методы сочетались с экспериментальными исследованиями на основе имитационного моделирования.

Научная новизна. В рамках диссертационной работы были получены следующие новые научные результаты:

1. Определены эффективные по критерию минимума СКО функционалы обобщенного спектрально-корреляционного анализа СП. Синтезирована оптимальная весовая функция, обеспечивающая минимальную СКО оценивания ОСМ. Разработаны процедуры оптимального оценивания ОСМ, обеспечивающие адаптацию параметров весовой функции к имеющейся априорной или апостериорной информации о форме ОСМ анализируемых реализаций РС.

2. Разработан алгоритм адаптивной сегментации артикуляционных событий РС, основанный на использовании оптимальных оценок ОСМ в модифицированной фонетической функции речи.

3. Синтезирован оптимальный и разработан эффективный с вычислительной точки зрения квазиоптимальный алгоритмы распознавания РС на основе комбинированной системы статических и динамических модифицированных ОСП. Определены наилучшие в среднем параметры алгоритмов АРД и АРР, обеспечивающие значительное повышение показателей качества радиотехнических устройств распознавания РС.

Практическая ценность. Представленные в работе алгоритмы обобщенного спектрально-корреляционного анализа СП и распознавания РС могут быть использованы в таких радиотехнических системах, как системы передачи информации, системы интерактивного взаимодействия человека и ЭВМ, информационно-справочные системы, системы экономного хранения РС, медицинские системы диагностики, системы автоматической идентификации и верификации информанта по голосу, системы криминалистической фоноскопии, системы конфиденциального доступа и закрытия речевой информации, системы открытого образования для лиц с ограниченными возможностями здоровья и т. д. Реализация результатов исследований позволит повысить вычислительную эффективность, а также такие основные показатели качества радиотехнических устройств обработки РС, как вероятности правильного распознавания и правильной сегментации, чувствительность к дестабилизирующим факторам и др.

Основные положения, выносимые на защиту.

1. Процедуры оптимального оценивания ОСМ СП по критерию минимума СКО, обеспечивающие адаптацию параметров весовой обработки к имеющейся априорной или апостериорной информации об анализируемом СП.

2. Алгоритм адаптивной сегментации артикуляционных событий РС, основанный на использовании оптимальных оценок ОСМ в модифицированной фонетической функции речи.

3. Алгоритмы автоматической идентификации диктора по голосу и распознавания речевых команд на основе комбинированной системы статических и динамических модифицированных ОСП РС.

Апробация работы. Результаты работы докладывались на следующих научно-технических конференциях (НТК), семинарах и сессиях:

1. III Всероссийская НТК студентов и аспирантов "Техническая кибернетика, радиоэлектроника и системы управления". 1996 г., г. Таганрог.

2. V Всероссийская НТК "Повышение эффективности методов и средств обработки информации". 1997 г., г. Тамбов.

3. Молодежная НТК "XXIII Гагаринские чтения". 1997, 1998 г.г., г. Москва.

4. НТК студентов и аспирантов вузов России "Радиоэлектроника и электротехника в народном хозяйстве". 1998 г., г. Москва.

5. Всероссийская НТК студентов, молодых ученых и специалистов "Новые информационные технологии в радиоэлектронике". 1998 г., г. Рязань.

6. VII Международная конференция "Информатизация правоохранительных систем". 1998 г., г. Москва.

7. VIII Всероссийские Туполевские чтения студентов «Актуальные проблемы авиастроения». 1998 г., г. Казань.

8. Научная сессия МИФИ-99. «Информационные технологии». 1999 г., г. Москва.

9. 2-я Международная конференция "Цифровая обработка сигналов и ее применения". 1999 г., г. Москва.

10. IX сессия Российского акустического общества "Современные речевые технологии". 1999 г., г. Москва.

11.1 Всероссийская НТК "Компьютерные технологии в науке, проектировании и производстве". 1999 г., г. Нижний Новгород.

12. Пятая Международная НТК студентов и аспирантов "Радиоэлектроника, электротехника и энергетика". 1999 г., г. Москва.

13. Международная НТК «Современные научно-технические проблемы гражданской авиации». 1999 г., г. Москва.

14.4-я Всероссийская НТК студентов, молодых ученых и специалистов "Новые информационные технологии в научных исследованиях и в образовании". 1999 г., г. Рязань.

15. The 2nd International Conference "Digital Signal Processing and its Application". 1999, Moscow.

16. Международная молодежная научная конференция "XXVI Гагарин-ские чтения". 2000 г., г. Москва.

17. 36-я НТК Рязанской Государственной радиотехнической академии «Радиотехнические и телевизионные системы и устройства». 2000 г., г. Рязань.

18. Седьмая всероссийская межвузовская НТК студентов и аспирантов " Микроэлектроника и информатика - 2000". 2000 г., г. Москва.

19.Х международная научная конференция «Информатизация правоохранительных систем». 2001 г., г. Москва.

20. 10-я Международная НТК «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций». 2001 г., г, Рязань.

21. 2-я Всероссийская конференция «Теория и практика речевых исследований». 2001 г., г. Москва.

22. XI международная научная конференция «Информатизация и информационная безопасность правоохранительных органов». 2002 г., г. Москва.

Публикации. По теме диссертации опубликовано 41 работа. Из них 2 статьи в центральной печати (журналы РАН), 10 статей в научно-технических журналах и межвузовских сборниках трудов, 25 тезисов докладов на конференциях, 4 отчета по НИР.

15

Структура и объем работы. Диссертационная работа состоит из введения, трех глав, заключения, списка литературы из 183 наименований и 3 приложений. Диссертация содержит 216 стр., в том числе 139 стр. основного текста, 48 рисунков.

Основные результаты диссертации можно сформулировать в следующем виде:

1. Определены эффективные по критерию минимума СКО функционалы обобщенного спектрально-корреляционного анализа случайных последовательностей общего типа. Синтезирована оптимальная весовая функция, обеспечивающая минимальную СКО оценивания ОСМ.

2. Разработаны процедуры оптимального оценивания ОСМ, обеспечивающие адаптацию параметров весовой функции к имеющейся априорной или апостериорной информации о форме ОСМ анализируемых реализаций РС. Предложен алгоритм предварительного оценивания ОСМ РС на основе метода стягивания оптимальной весовой функции, в рамках которого в ряде случаев показана некорректность применения известных функций спектрального окна. Экспериментально доказано, что использование оптимальной весовой обработки в 2.5 раза эффективнее по критерию минимума среднего по частоте квадрата нормированной СКО оценивания спектральной составляющей, по сравнению, с алгоритмом стягивания весовой функции.

3. Определено выражение для условной ФПВ оценок комбинированной системы статических и динамических ОСП РС. Произведена аппроксимация точной ФПВ эмпирической, имеющей более простую аналитическую структуру, с допустимой ошибкой по критерию Колмогорова-Смирнова не более 3.5%.

4. Синтезирован оптимальный алгоритм выбора решения в задачах распознавания РС на основе комбинированной системы статических и динамических ОСП РС. Экспериментально показана возможность уменьшения вероятности суммарной ошибки распознавания (первого и второго рода) на 19% при оптимальном выборе соотношения статической и динамической составляющих в комбинированной системе ОСП.

5. Экспериментально доказана возможность применения эффективного с вычислительной точки зрения квазиоптимального алгоритма выбора решения в задачах распознавания РС на основе комбинированной системы статических и динамических ОСП, обеспечивающего проигрыш, по сравнению, с оптимальным подходом в 3%.

6. Показана целесообразность применения комбинированной системы статических и динамических ОСП в квазиоптимальных алгоритмах автоматической идентификации диктора по голосу и распознавания речевых команд. Определены минимально необходимая размерность пространства признаков и наилучшее в среднем (с точки зрения идентификационной значимости и информационной эффективности) соотношение статических и динамических составляющих комбинированной системы ОСП.

7. Разработан высоконадежный алгоритм адаптивной сегментации артикуляционных событий PC, основанный на использовании оптимальных оценок ОСМ в модифицированной фонетической функции речи. Применение оптимальной весовой обработки обеспечивает анализ PC в реальном масштабе времени и позволяет уменьшить вероятность ложной сегментации на (4.6)% при вероятности правильной сегментации Рг « 1, по сравнению, с известными алгоритмами сегментации на основе несостоятельных оценок спектральных коэффициентов в базисе комплексных экспоненциальных функций.

8. Определено выражение для условной ФПВ оценок комбинированной системы статических и динамических модифицированных ОСП PC. Произведена аппроксимация точной ФПВ эмпирической, имеющей более простую аналитическую структуру, с допустимой ошибкой по критерию Колмогорова-Смирнова не более 5%.

9. Синтезирован оптимальный алгоритм выбора решения в задачах распознавания PC на основе комбинированной системы статических и динамических модифицированных ОСП. Экспериментально показана возможность дополнительного уменьшения вероятности суммарной ошибки распознавания (первого и второго рода) на порядок и более при использовании оптимальной весовой обработки.

10. Исследована эффективность применения оптимальных процедур оценивания ОСМ PC в квазиоптимальных алгоритмах идентификации диктора по голосу и автоматического распознавания речевых команд, основанных на оценках комбинированной системы модифицированных ОСП, в смысле вероятности правильной классификации. Показано, что минимизация СКО оценивания комбинированных признаков на основе методов оптимальной весовой обработки позволяет повысить надежность идентификации на (5-16)% и распознавания на (10. 12)% в зависимости от выбранной системы признаков.

11. Разработана адаптивная процедура оптимальной весовой обработки оценок масс-спектров. Экспериментально доказана возможность уменьшения глубины искажающего воздействия на (1.3-12)%, по сравнению, с известными алгоритмами модификации оценок масс-спектров при одинаковой разрешающей способности.

179

Таким образом, разработанные алгоритмы сегментации и распознавания РС позволили повысить показатели качества радиотехнических устройств обработки речи с точки зрения вероятности правильной сегментации, надёжности правильной идентификации диктора по голосу, надёжности правильного распознавания речевых команд и вычислительной эффективности. Предложенные процедуры обобщённого спектрально-корреляционного анализа СП могут быть использованы в рамках новейших достижений телекоммуникационной техники и современных речевых технологиях, а также в широком диапазоне радиотехнических приложений, связанных с обработкой случайных сигналов.

ЗАКЛЮЧЕНИЕ

В процессе работы над диссертацией были разработаны робастные к действию ряда мешающих факторов алгоритмы сегментации и распознавания PC на основе комбинированной системы модифицированных ОСП, обеспечивающие повышение показателей качества радиотехнических устройств обработки речи за счёт увеличения информационной значимости и снижения влияния вариативности акустических параметров фонетических элементов.

В первой главе работы определены функционалы обобщённого спектрально-корреляционного анализа СП, что позволило разработать оптимальные по критерию минимума СКО процедуры оценивания ОСМ PC. Во второй главе работы синтезированы оптимальные и разработаны эффективные с вычислительной точки зрения квазиоптимальные алгоритмы распознавания PC на основе комбинированной системы статических и динамических ОСП, обеспечивающие повышение идентификационной эффективности и информационной значимости в задачах АРД и APP. Показаны робастные свойства данных алгоритмов, позволяющие осуществлять адаптивную компенсацию искажений амплитудно-частотной характеристики тракта передачи PC. Применение в комбинированной системе статических и динамических ОСП, исследованной во второй главе, оценок ОСМ, модифицированных на основе процедур оптимального оценивания, разработанных в первой главе, позволило в третьей главе работы синтезировать оптимальные и разработать эффективные с вычислительной точки зрения квазиоптимальные алгоритмы распознавания PC, обеспечивающие дополнительное повышение показателей качества за счёт снижения влияния вариативности акустических параметров фонетических элементов речи, обусловленной ошибкой их оценивания. В третьей главе работы, также показана возможность применения процедур обобщённого спектрально-корреляционного анализа СП в радиотехнических приложениях, связанных с обработкой случайных сигналов, на примере гиперболоидного масс-спектрометра типа трехмерной ловушки и рассмотрены вопросы программно-аппаратной реализации обобщённого спектрального анализатора высокого качества на базе сигнальных микропроцессоров фирмы Analog Devices и недорогих микроконтроллерах компании Atmel.

1. Пирогов A.A. К вопросу о фонетическом кодировании речи. // Электросвязь, 1967. Nq5. С.94-98.

2. Винцюк Т.К. Распознавание слов устной речи методами динамического программирования. // Кибернетика, 1968. №1. С. 47-53.

3. Винцюк Т.К. Анализ, распознавание и интерпретация речевых сигналов. М.: Радио и связь, 1987. 233 с.

4. Сапожков М.А., Михайлов В.Г. Вокодерная связь. М.: Радио и связь, 1983.248 с.

5. Златоустова JI.B., и др. Алгоритмы преобразования орфографических текстов в фонетическую запись. М.: МГУ, 1970. 130 с.

6. Куля В.И., Фишер В.Г. Адаптивное распознавание гласных на основе новой теории фонетического кодирования речи. // Электросвязь, 1973. N~3. С.51-55.

7. Гудонавичюс Р.В., и др. Распознавание речевых сигналов по их структурным свойствам. JL: Энергия, 1977. 147 с.

8. Потапова Р.К. Сегментно-структурная организация речи: Автореф. дисс. докт. филологич. наук. Л.: ЛГУ, 1981. 47 с.

9. Потапова Р.К. Речевое управление роботом. М.: Радио и связь, 1989.248 с.

10. Потапова Р.К. Речь: коммуникация, информация, кибернетика. М.: Радио и связь. 1997. 528с.

11. Михайлов В.Г., Златоустова Л.В. Измерение параметров речи. М.: Радио и связь, 1987. 168 с.

12. Михайлов В.Г. Перцептивное восприятие и автоматическое распознавание звучащей речи // Электросвязь, 1996. № 12. С. 12-15.

13. Калинцев Ю.К. Разборчивость речи в цифровых вокодерах М.: Радио и связь, 1991. 220 с.

14. Назаров М.В., Прохоров Ю.Н. Методы цифровой обработки и передачи речевых сигналов. М.: Радио и связь, 1985. 176 с.

15. Прохоров Ю.Н. Статистические модели и рекуррентное предсказание речевых сигналов. М.: Радио и связь, 1984. 240 с.

16. Рамишвили Г.С. Автоматическое опознавание говорящего по голосу. М. : Радио и связь, 1981. 224 с.

17. Рамишвили Г.С., ЧикоидзеГ.В. Криминалистическое исследование фонограмм речи и идентификация личности говорящего. Тбилиси: Мецниере-ба, 1991.265 с.

18. Сорокин В.Н. Теория речеобразования. М.: Радио и связь, 1985. 312 с.

19. Sorokin V.N. Inverse problem for fricatives. // Speech Com, 1994. V.14. PP.249-262.

20. Сорокин В.H. Новые концепции в автоматическом распознавании речи. // Современные речевые технологии. Сборник трудов IX сессии Российского акустического общества. -М.: ГЕОС, 1999. С. 50-57.

21. Галунов В.И., Гурьянов А.Е., СаматовД.А. Нелинейное преобразование, сегментация и распознавание раздельно произносимых слов. // Техника средств связи. Сер. ТПС. 1987. Вып.З. С.49-55.

22. Галунов В.И., Кутуков Г.П., Матюнин С.Н. Состояние и перспективы исследований в области речевых технологий. // Современные речевые технологии. Сборник трудов IX сессии Российского акустического общества. М.: ГЕОС, 1999. С. 13-16.

23. Фант Г. Акустическая теория речеобразования. М.: Наука, 1964. 284 с.

24. Фу К. Последовательные методы в распознавании образов и обучении машин. М.: Наука, 1971. 255 с.

25. Атал Б.С. Автоматическое опознавание дикторов по голосам // ТИИ-ЭР, 1976. Т.64. N-4. С.48-66.

26. Ту Дж., Гонсалес Т. Принципы распознавания образов. М.: Мир, 1978.411с.

27. Маркел Дж.Д., ГрейА.Х. Линейное предсказание речи. М.: Связь, 1980.308 с.

28. Рабинер Л.Р., Шафер Р.В. Цифровая обработка речевых сигналов. М.: Радио и связь, 1981. 495 с.

29. Рабинер Л.Р. Скрытые марковские модели и их применение в избранных приложениях при распознавании речи. // ТИИЭР, 1989. Т.77. №2. С.86-98.

30. Методы автоматического распознавания речи: В 2-х книгах. Кн. 1. Пер. с англ. / Под. ред. У. Ли. М.: Мир, 1983. 328 с.

31. Доддингтон Дж.Р. Распознавание дикторов: идентификация людей по голосу. //ТИИЭР, 1985. Т.73. N-11. С. 129-146.

32. Омельченко В.А. Основы спектральной теории распознавания сигналов. Харьков: Вища школа, 1983. 156 с.

33. Грибанов Ю.И., Мальков В.Л. Спектральный анализ случайных процессов. М.: Энергия, 1974. 240 с.

34. Грибанов Ю.И., Мальков В.Л. Выборочные оценки спектральных характеристик стационарных случайных процессов. М.: Энергия, 1978. 152 с.

35. Ван ТрисГ. Теория обнаружения оценок и модуляции. Т1. М.: Сов. радио, 1972. 744 с.

36. Дженкинс Г., Ватте Д. Спектральный анализ и его приложения. Т. 1,2. М.: Мир, 1971.

37. Марпл-мл. С.Л. Цифровой спектральный анализ и его приложения. М.: Мир, 1990. 584 с.

38. Омельченко В.А. Основы обобщенной спектрально-корреляционной теории континуальных сигналов. Радиотехника, 1981. Вып. 59. С. 10-17.

39. Френке Л. Теория сигналов. М.: Сов. радио, 1974. 344 с.

40. Левин Б.Р. Теоретические основы статистической радиотехники. Т. 1,2. М.: Сов. радио, 1974.

41. Залманзон Л.А. Преобразования Фурье, Уолша, Хаара и их применение в управлении, связи и других областях. М.: Наука, 1989. 496 с.

42. Ахмед H., Pao K.P. Ортогональные преобразования при обработке цифровых сигналов. М.: Связь, 1980. 248 с.

43. Трахтман A.M., Трахтман В.А. Основы теории дискретных сигналов на конечных интервалах. М.: Сов. радио, 1975. 208 с.

44. Трахтман A.M. Введение в обобщенную спектральную теорию сигналов. М.: Сов. радио, 1972. 208 с.

45. ПойдаВ.Н. Спектральный анализ в дискретных ортогональных базисах. Минск: Наука и техника, 1978. 136 с.

46. Солодовников А.И., Спиваковский A.M. Основы теории и методы спектральной обработки информации. JI. 1986. 272 с.

47. Хармут Х.Ф. Теория секвентного анализа: основы и применение. М.: Мир, 1980. 575 с.

48. Акимов П.С., и др. Сигналы и их обработка в информационных системах. М.: Радио и связь, 1994. 256 с.

49. Ватанабе С. Разложение Карунена-Лоэва и факторный анализ. Теория и приложения. В кн. Автоматический анализ сложных изображений. М.: Мир, 1969. С.254-276.

50. Фукунага К. Введение в статистическую теорию распознавания образов. М.: Наука, 1979. 367 с.

51. Дуда Р., ХартП. Распознавание образов и анализ сцен. М.: Мир, 1976. 320 с.

52. Качмаж С., ШтейнгаузГ. Теория ортогональных рядов. М.: ГИФМД, 1958.507 с.

53. Хинчин А.Я. Теория корреляции стационарных стохастических процессов. // Усп. мат. наук, 1938. Вып.5. С.42-51.

54. Слуцкий Е.Е. О почти периодических случайных функциях и о разложении стационарных случайных функций на компоненты. М.: АН СССР, 1980. С.252-268.

55. Лоэв М. Теория вероятностей. М.: Иностр. лит. 1962. 917 с.

56. Пугачев B.C. Теория случайных функций и ее применение к задачам автоматического управления. М.: Физматгиз., 1962. 884 с.

57. Яглом A.M. Спектральные представления для различных классов случайных функций. // Тр. 4-го Всесоюзн. мат. съезда, 1963. С.250-273.

58. Гоноровский И.С. Радиотехнические цепи и сигналы. 4.1. М.: Сов. радио, 1967. 440 с.

59. Каппе лини В., и др. Цифровые фильтры и их применение. М.: Энергоатомиздат, 1983. 360 с.

60. Яковенко A.B. Сглаживание спектров с использованием информации о частотном составе шума. // ПТЭ, 1991. №5. С.91 -94.

61. Аграновский К.Ю., Жданов А.И., Решетов JI.A. Определение энергетического спектра Уолша стационарного случайного процесса по оценке типа периодограммы. // Изв. Вузов. Радиоэлектроника. 1979. Т.22. №7. С.45-51.

62. Кириллов С.Н., Шелудяков A.C. Дикторонезависимое распознавание фонем на основе оптимальных ортогональных разложений. // Изв. РАН. Теория и системы управления. 1997, №5. С.53-55.

63. Grenander U., Rosenblatt M. Statistical Analysis of Stationary Time Series. John Wiley, New York, 1957. PP.56-74.

64. Lomnicki A.A., Zaremba S.K. On estimating the spectral density function of a stochastic process. J. Roy. Stat. Soc. В19, 13. 1957. PP.131-287.

65. Кулешов E.JI. Оптимальные сглаживающие окна в спектральном анализе случайных процессов. // Автометрия, 1999. №2, С.44-52.

66. Алексеев В.Г. Непараметрический спектральный анализ стационарных случайных процессов. // Автометрия, 2000. №4, С. 131-136.

67. Кириллов С.Н. Увеличение разрешающей способности по времени сигналов с ограниченной полосой частот. // Изв. вузов. Радиоэлектроника, 1983. №4, С. 100-102.

68. Кириллов С.Н., Соколов М.Ю., Стукалов Д.Н. Оптимальная весовая обработка при спектральном анализе сигналов. //Радиотехника, 1996. №б, С.36-38.

69. Алексеев В.Г. О вычислении спектров стационарных случайных процессов по выборкам большого объёма. // Проблемы передачи информации, 1980. T.XVI. Вып.1. С.38-40.

70. Алексеев В.Г. Выбор спектрального окна при построении оценки спектральной плотности случайного процесса. //Радиотехника, 1999.№9. С.38-40.

71. Хэррис Ф.Дж. Использование окон при гармоническом анализе методом дискретного преобразования Фурье // ТИИЭР, 1978. Т.66, №1. С.60-96.

72. Наттолл А.Х., Картер Дж.К. Спектральное оценивание с использованием комбинированного временного и корреляционного взвешивания. // ТИИЭР, 1982. Т.70. №9. С.243-255.

73. Балакришнан H.A. Прикладной функциональный анализ. М.: Наука, 1980. 383 с.

74. Браун Дж.Л., мл. Представление случайных процессов полными ор-тонормированными последовательностями. // Тр. ин-та инж. по электротехнике и радиоэлектронике. 1970. №2. С.122.

75. Брейсуэлл Р. Преобразование Хартли. М.: Мир, 1990. 175 с.

76. Кириллов С.Н., Шустиков O.E. Анализ устойчивости оценки обобщенной спектральной плотности мощности случайного процесса. // Вестник РГРТА. Вып.4. Рязань, 1998. С.30-34.

77. Быков В.В. Цифровое моделирование в статистической радиотехнике. М.: Сов. радио, 1971. 328 с.

78. Кириллов С.Н., Шустиков O.E. Оптимальная весовая обработка периодограммы обобщенного спектра мощности случайного процесса. // Автометрия. 2000. № 3. С. 54-63.

79. Демидович Б.П., Марон И.А. Основы вычислительной математики. М.: Наука, 1966. 664 с.

80. Эльсгольц Л.Э. Дифференциальные уравнения и вариационное исчисление. М.: Наука, 1969. 424 с.

81. Jenkins G.M., General considerations in the analysis of spectra. Technometrics, 3, 133. 1961. PP.23-47.

82. Мартынович П.В., и др. Система верификации диктора, ориентированная на надежное опознавание через телефонную линию. // Информатизация правоохранительных систем. Сборник трудов X международной научной конференции. М.: ООО «Накра-Принт», 2001. С.307-309.

83. Чижденко В.А. Сравнительный анализ алгоритмов структуризации. // Современные речевые технологии. Сборник трудов IX сессии Российского акустического общества. -М.: ГЕОС, 1999. С.151-156.

84. Идентификация человека по магнитной записи его речи. М.: РФЦСЭ, 1995. 129 с.

85. Soong F., Rosenberg A., Rabiner L. and Juang B. A vector quantization approach to speaker recognition. // AT&T Tech. J., 1987. Vol. 66. PP. 14-26.

86. Рылов A.C. Практические аспекты и основные компоненты современных систем распознавания речевых образов. // Современные речевые технологии. Сборник трудов IX сессии Российского акустического общества. -М.: ГЕОС, 1999. С.145-151.

87. Furui S. Cepstral analysis technique for automatic speaker verification. // IEEE Trans. Acoust Speech and Signal Processing. Apr. 1981. Vol. ASSP-29. PP.254-271.

88. Kortekaas R.W.L. and Hermes D.J. Vowel-onset detection by vowel-strength measurement, cochlear-nucleus simulation, and multilayer perceptrons. // J. Acoust. Soc. Am. 1996. V. 99. PP.1185-1199.

89. Stevens K.N. Acoustic correlates of some phonetic categories. J. Acoust. Soc. Am. 1980. V. 68. PP.836-842.

90. Верхаген К., Дейн P., Грун Ф., и др. Распознавание образов: состояние и перспективы. М.: Радио и связь, 1985. 104 с.

91. Bertenstam J., Beskow J. The Waxholm system a progress report. // ESCA Tutorial and Research Workshop on Spoken Dialogue Systems. Denmark. 1995. 124 P.

92. Young S. Large Vocabulary Continuous Speech Recognition: A Review. // Cambridge University Engineering Department CB2 1PZ. 1996. April. PP.1-23.

93. Кириллов C.H., Стукалов Д.Н. Цифровые системы обработки речевых сигналов: Учеб. пособие. Рязань.: РГРТА, 1995. 80 с.

94. Цвикер Э., Фельдкеллер Р. Ухо как приемник информации. М.: Связь, 1972. 147 с.

95. Загоруйко Н.Г. Методы распознавания и их применение. М.: Сов. радио, 1972. 208 с.

96. Кириллов С.Н., Шелудяков А.С. Оптимизация признакового пространства в задачах распознавания элементов речи. // Автоматика и телемеханика. 1998. № 5. С.143-149.

97. Колоколов А.С., Яхно В.П. Дикторонезависимое распознавание речевых команд на основе слуховых моделей. // Автоматика и телемеханика. 1995.N8. С.150-159.

98. Brown P.F. The Acoustic Modeling Problem in Automatic Speech Recognition // PhD thesis. Computer Science Department. Carnegie Mellon University. 1987. May. PP.132-137.

99. Blumstein S.E., Stevens K.N., Nigro G.N. Property detection for bursts and transitions in speech perception. // J. Acoust. Soc. Am. 1977. V. 61. PP.1301-1313.

100. Liu S.A. Landmark detection for distinctive feature-based speech recognition. // J. Acoust. Soc. Am. 1996. V. 100. PP.3417-3430.

101. ГолдБ. , Рейдер Ч. Цифровая обработка сигналов. М. : Сов. радио, 1973.368 с.

102. Кириллов С.Н., Шустиков O.E., Степанов М.В., Виноградов O.JI. Синтез адаптивных цифровых устройств по заданным показателям качества. // 2-я Международная конференция "Цифровая обработка сигналов и ее применения". Москва. 1999. T. I. С.262-265.

103. Кириллов С.Н., Шелудяков A.C., Шустиков O.E., Нечушкин И.А. Спектральные методы обработки речевых сигналов. // V Всероссийская НТК "Повышение эффективности методов и средств обработки информации" : Тезисы докладов. Тамбов: ТВВАИУ, 1997. С.8.

104. Кириллов С.Н., Шелудяков A.C., Шустиков O.A., Нечушкин И.А. Оценка качества ортогональных кодеков на основе упрощенных моделей восприятия речи. // Молодежная НТК "XXIII гагаринские чтения": Тез. докл. 4.7. -М.: РГТУ-МАТИ, 1997. С.100.

105. Кириллов С.Н., Шелудяков A.C., Шустиков O.E., Куприянов Г.Ю. Комбинированный критерий выбора базиса ортогональных разложений речевых сигналов. // Автоматизация испытаний и измерений: Межвуз. сб. науч. тр. /Рязань: РГРТА, 1996. С.70-73.

106. Шустиков O.E., Косов О.М., Зорин C.B. Оптимизация базиса при использовании расширенной системы функций Виленкина-Крестенсона. // Научная сессия МИФИ-99. Сборник научных трудов в 13 томах. Т. 7. М.: МИФИ, 1999. С.118-119.

107. Кириллов С.Н., Шелудяков A.C., Шустиков O.E. Повышение эффективности спектральных методов распознавания речи. // IX сессия РАО "Современные речевые технологии": Тез. докл. М.: ГЕОС, 1999. С.35-38.

108. ИЗ. Kirillov S.N., Shustikov O.E., Stepanov M.V., Vinogradov O.L. Synthesis adaptive digital devices on the given quality indexes. // The 2nd International Conference "Digital Signal Processing and its Application". Moscow. 1999. Vol. I. P.266-267.

109. Шустиков O.E., Косов О.М. Оптимальное представление речевых сигналов в базисе функций Виленкина-Крестенсона. // Новые информационные технологии в научных исследованиях и в образовании: Межвуз. сб. науч. тр. / Рязань: РГРТА, 1999. С.76-81.

110. Зорин C.B., Шустиков O.E. Алгоритм адаптации модифицированного преобразования Хартли к параметрам случайного процесса. // Актуальные проблемы авиастроения: VIII Всероссийские Туполевские чтения студентов.

111. Тезисы докладов. Казань: Изд-во Казан, гос. техн. ун-та. 1998. С.135.

112. Кириллов С.Н., Зорин C.B., Шустиков O.E. Свойства модифицированного преобразования Хартли. // Вычислительные машины, комплексы и сети: Межвуз. сб. науч. тр. / Рязань: РГРТА, 1999. С. 102-107.

113. Уилкс С. Математическая статистика. М.: Наука, 1967. 632 с.

114. Шустиков O.E. Функция распределения оценки обобщенного спектра мощности случайного процесса. // Рязань: Вестник РГРТА, 2001. Вып.8. С.14-18.

115. Ибрагимов И.А., Линник Ю.В. Независимые и стационарно связанные величины. М.: Наука, 1965. 524 с.

116. Гнеденко Б.В., Колмогоров А.Н. Предельные распределения для сумм независимых случайных величин. М.: Гостехиздат, 1949. 264 с.

117. Hoyt R.S. Probability Functions for the Modulus and Angle of the Normal Complex Variate // The Bell System Technical Journal. 1947. №2. PP.56-67.

118. Кириллов C.H., Шустиков O.E. Об эффективности статических и динамических признаков при распознавании речевых сигналов. // Автоматика и телемеханика, 2001. №3. С. 151-157.

119. Кириллов С.Н., Шелудяков A.C., Шустиков O.E. Повышение эффективности спектральных методов распознавания речи. // Современные речевые технологии. Сборник трудов IX сессии Российского акустического общества. -М.: ГЕОС, 1999.-С.35-38.

120. Кириллов С.Н., Шелудяков A.C., Шустиков O.E. Сегментация речевых сигналов в естественно-языковых интерфейсах. // Электронные вычислительные машины и информационные технологии: Межвуз. сб. науч. тр. /Рязань:1. РГРТА, 1997. С.4-8.

121. Шустиков O.E., Перминов В.Г. Адаптивная сегментация акустически однородных элементов речи. // Радиоэлектронные системы и устройства: Межвуз. сб. науч. тр. / Рязань: РГРТА, 1999. С.47-50.

122. Бриллинджер Д.Р. Временные ряды. Обработка данных и теория. М.: Мир, 1980. 537 с.

123. Дёч Р. Нелинейное преобразование случайных процессов. М.: Сов. Радио, 1965. 208 с.

124. Бейтмен Г., Эрдейи А. Высшие трансцендентные функции. М.: Наука, 1965. 296 с.

125. Прудников А.П. и др. Интегралы и ряды. М.: Наука, 1981. 800 с.

126. Болынев JI.H., Смирнов Н.В. Таблицы математической статистики. М.: Наука, 1965. 476 с.

127. Хан Г., Шапиро С. Статистические модели в инженерных задачах. М.: Мир, 1969. 396 с.

128. Косарев Ю.А. Естественная форма диалога с ЭВМ. Л.: Машиностроение. Ленингр. отделение, 1989. 143 с.

129. Кириллов С.Н., Шустиков O.E., Мамушев Д.Ю. Идентификационная значимость статических и динамических признаков речевого сигнала в системах распознавания дикторов. // Вестник РГРТА. 2000. Вып. 7. С. 92-96.

130. Кириллов С.Н., Шустиков O.E., Мамушев Д.Ю. Статические и динамические спектральные признаки в задаче идентификации диктора. // 36-я НТК РГРТА: Тез. докл. Рязань. 2000. С. 19.

131. Дюран Б., Оделл П. Кластерный анализ. Пер. с англ. Е.З. Демиденко. Под. ред. А .Я. Боярского. М.: Статистика, 1977. 128 с.

132. Вентцель Е.С. Элементы динамического программирования. М.: Наука, 1964. 176 с.

133. КатоЯ. Система распознавания связной речи фирмы НЭК. // Зарубежная радиоэлектроника, 1980. С. 108-120.

134. Смирнов Н.В., Дунин-Барковский И.В. Курс теории вероятностей и математической статистики. М. Наука, 1965. 512 с.

135. Шустиков О.Е. Повышение надежности распознавания речевых сигналов на основе метода оптимальной весовой обработки. // Международная молодежная научная конференция "XXVI Гагаринские чтения": Тез. докл. Т.1. М.: Изд-во "Латмэс". МАТИ-РГТУ. 2000. С. 501.

136. Кириллов С.Н., Рожков О.В., Трубицын А.А., Шустиков О.Е. Практические аспекты оценивания масс-спектров // Научное приборостроение: Межвуз. сб. науч. тр. / Рязань: РГРТА, 1998. С.142-150.

137. Kirillov S.N., Stukalov D.N., Sheludjakov A.S. Formalisation of primary speech signal description in computer naturallanguage interfaces // The 5th East-West International Conferen-ce, EWHCI'95: Proceedings. Volume 2, Moscow,1.STI, 1995. P. 188.

138. Туркин B.H. Распознавание речевых образов с использованием метода градиентного спуска. // Автоматическое распознавание слуховых образов: Тез. докл. на 13-м Всесоюз. семинаре АРСО-13. Новосибирск, 1984. С. 120-121.

139. Левинсон С.Е. Структурные методы автоматического распознавания речи. //ТИИЭР, 1985. Т.73.№11.С. 100-129.

140. Jelinek F., BahlL.R., Mercer R.L. Design of linguistic decoder for recognition of continuos speech. // IEEE Trans. Inform. Theory. 1975. V.l. PP. 250-256.

141. LippmannR.P. An introduction to computing with neural nets. // IEEE ASSP, 1987. V.3. PP.4-22.

142. Bourlad H., Morgan N., Renals S. Neural nets and hidden Markov models: Review and generalizations. // Speech Communication, 1992. V.ll. PP.237-246.

143. Аллен Дж. Перспективы развития систем речевой связи // ТИИЭР. 1985. Т.73. №11. С.7-18.

144. МоттльВ.В. Мучник И.Б. Лингвистический анализ экспериментальных кривых // ТИИЭР. 1979. Т.67. N5. С.12-38.

145. Скляров О.П. Нелинейная модель акустического голосового источника. // Акустический журнал, 1997. № 5. С.31-38.

146. Кириллов С.Н., СтукаловД.Н. Анализ речевых сигналов на основе акустической модели. // Изв. РАН. Техническая кибернетика. 1994. N- 2. С.147-154.

147. Сергеев А.В. Сегментация речевых сигналов. // Акустика речи. Медицинская и биологическая акустика: Сборник трудов XI сессии РАО. Т.З. М.: ГЕОС, 2001. 210 с.

148. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. М.: Наука, 1983. 464 с.

149. Клычмамедова О.Н., ОнжановН.Б. Акустические характеристикифонетических сегментов звучащей речи. // Акустика речи. Медицинская и биологическая акустика: Сборник трудов XI сессии РАО. Т.З. М.: ГЕОС, 2001. 210с.

150. Кринов С.Н., Цемель Г.И. Сегментация речевых сигналов. // Речевое общение в автоматизированных системах: Сб. научн. тр. М.: Наука, 1975. 132 с.

151. Дукельский H.H. Принципы сегментации речевого потока. М.-Л.: АН СССР, 1962. 241 с.

152. Молчанов А.П. О функциональной модели механизма сегментации текущего потока сигналов. // Анализ речевых сигналов человеком: Сб. научн. тр. М.: Наука, 1971. 67 с.

153. Барашова Т.А., Рудный Б.Н., Трунин-Донской В.Н. Об автоматической сегментации речевого потока при вводе речевого сигнала с устройства выделения признаков. // Речевое управление: Сб. научн. тр. М.: ВЦ АН СССР, 1972. 112 с.

154. Кузнецов В.Б. Спектральная динамика и классификация русских гласных. // Акустика речи. Медицинская и биологическая акустика: Сборник трудов XI сессии РАО. Т.З. М.: ГЕОС, 2001. 210 с.

155. Кириллов С.Н., Шелудяков A.C. Методы спектральной обработки речевых сигналов: Учеб. пособие. Рязань.: РГРТА, 1997. 68 с.

156. Шустиков O.E., Шелудяков A.C. Анализ состоятельности обобщенных спектральных оценок речевых сигналов. // НТК студентов и аспирантов вузов России. Радиоэлектроника и электротехника в народном хозяйстве. Тез. докл. Т.1. М.: МЭИ, 1998. С. 132.

157. Шустиков O.E. Оценка обобщенной спектральной плотности мощности речевого сигнала. // Молодежная НТК "XXIV гагаринские чтения": Тез. докл. 4.5. М.: РГТУ-МАТИ, 1998. С.75.

158. Savytsky A., Golaym J.E. Smoothing and differentiation of data by simplfied best squares procedures // Amd. Chem., 1964. v.34. p. 1627-163 9.

159. Коваленко И.Н., Филиппова A.A. Теория вероятностей и математическая статистика. М.: Высшая школа, 1973. 368 с.

160. Заездный A.M. Основы расчетов по статистической радиотехнике. М.: Связь, 1969. 448 с.

161. Корнеев В.В., Киселев A.B. Современные микропроцессоры М.: Но-лидж, 1998. 240 с.

162. Методы выбора микропроцессора для использования в микропроцессорных системах / Аксенов А.И., Пуртов С.Т., Терехин В.И. и др. // Обзоры по электронной технике. М.: Издательство ЦНИИ "Электроника", 1985. Серия 3. Микроэлектроника. Вып.2(1102). 30 с.

163. Analog Devices: новые разработки DSP. // Цифровая обработка сигналов, 2001. №3. С.49-56.

164. Методические указания по оценке технического уровня и качества промышленной продукции: РД 50-149-79. Введ. 14.05.80. М.: 1979. 75 с.

165. Glassman J.A. A generalization of the fast Fourier transform. // IEEE Trans. Feb. 1970. V. 19.

166. Блейхут P. Быстрые алгоритмы цифровой обработки сигналов. М.: Мир, 1989. 448 с.