Στην παρούσα διπλωματική εργασία μελετήθηκε και κατασκευάστηκε ένα σύστημα προσομοίωσης και εξομοίωσης των χαρακτηριστικών διαφόρων καναλιών επικοινωνίας ως προς την υποβάθμιση του σήματος και το θόρυβο που αυτά εισάγουν. Για τη διαδικασία σχεδίασης, υλοποίησης και ελέγχου του συστήματος, καθώς και για την εκτέλεση των πειραμάτων χρησιμοποιήθηκε η αναπτυξιακή πλατφόρμα ZedBoard. Στο πρώτο μέ- ρος της εργασίας παρουσιάζονται και αναλύονται τα μοντέλα των υποσυστημάτων που απαρτίζουν το κανάλι, καθώς και η υλοποίησή τους σε λογισμικό και υλικό. Οι δύο κύ- ριες μονάδες επεξεργασίας στο κανάλι είναι ένα FIR φίλτρο και μία γεννήτρια θορύβου. Το φίλτρο χρησιμοποιείται ως το στοιχείο που υποβαθμίζει το σήμα εισόδου, ενώ η γεννήτρια θορύβου εισάγει το τυχαίο σήμα στο κανάλι επικοινωνίας. Στο δεύτερο μέρος της εργασίας αναλύεται η αρχιτεκτονική του τελικού συστήματος, οι διεπαφές Ε/Ε που χρησιμοποιήθηκαν καθώς και η λογική ελέγχου που ακολουθήθηκε. Τέλος, περιγράφουμε την επικοινωνία και τη λογική ελέγχου του συστήματος, σε επίπεδο εντολών από το περιβάλλον της MATLAB. / The purpose of this thesis is to study and implement a simulation and emulation system of the characteristics of different communications channels concerning the degradation of the signal and the noise they introduce. For the process of design, implementation and monitoring of the system as well as to perform the experiment the ZedBoard development platform was used.In the first part we present and analyze the models of the subsystems which constitute the communication channel and also their implementation in software and hardware. The two main processing units in the channel is a FIR filter and a noise generator. The filter is used as the element that lowers the power of the input signal and the noise generator introduces the random signal to the communication channel.In the second part we analyze the architecture of the final system, the I / O interfaces used and the control logic followed.Finally, we describe the communication and control logic of the system. The commands used for this purpose are developed using the computing environment of MATLAB.

Πολλές εφαρμογές ψηφιακής επεξεργασίας σημάτων (DSP) και πολυμέσων μπορούν να ωφεληθούν από τη χρήση ενός αριθμητικού συστήματος υπολοίπων (RNS). Ανάμεσα στους πιο συχνά χρησιμοποιούμενους διαιρέτες σε τέτοια συστήματα είναι αυτοί της μορφής 2^n - 1 και 2^n + 1, ενώ ανάμεσα στις πιο συχνά χρησιμοποιούμενες λειτουργίες βρίσκονται ο πολλαπλασιασμός και το άθροισμα τετραγώνων. Οι λειτουργίες αυτές προς το παρόν υλοποιούνται με τη χρήση ξεχωριστών μονάδων και συνεχόμενων κύκλων μηχανής. Στην παρούσα εργασία προτείνονται δύο αρχιτεκτονικές για μονάδες οι οποίες μπορούν να εκτελέσουν είτε το X * Y είτε το X^2 + Y^2, ανάλογα με την τιμή ενός σήματος ελέγχου. Εξετάζεται τόσο η modulo 2^n - 1, όσο και η ελαττωμένη κατά ένα modulo 2^n + 1 αριθμητική. / Digital signal processing (DSP) and multimedia applications often profit from the use of a Residue Number System (RNS). Among the most commonly used moduli in such systems are those of 2^n - 1 and 2^n + 1 form and among the most commonly used operations are multiplication and sum-of-squares. These operations are currently performed using distinct design units and consecutive machine cycles. In this paper, we propose two architectures for units that perform either the X * Y or the X^2 + Y^2 operation depending on the value of a control signal. Both modulo 2^n - 1 and diminished-1 2^n + 1 arithmetic is considered.

Στα πλάισια της ανάλυσης ομιλίας, η παρούσα διατριβή παρουσιάζει έναν εύρωστο Αναγνωριστή Φωνημάτων ανεξαρτήτου Γλώσσας για τις ανάγκες της Αυτόματης Αναγνώρισης Γλώσσας. Η υλοποίηση του Συστήματος βασίζεται στους MFCC συντλεστές οι οποίοι αποτελούν τους χαρακτηριστικούς περιγραφείς ομιλίας, στη διαδικασία διανυσματικής κβαντοποίησης κατά την οποία δημιουργούνται τα κωδικά βιβλία εκπαίδευσης του Συστήματος και στα πιθανοτικά νευρωνικά δίκτυα (Propabilistic Neural Networks) για την εκπαίδευση του Συστήματος και την αναγνώριση των άγνωστων φωνημάτων. / In our thesis we present a language-independent phoneme recognizer for the needs of Automatic Language Identification. The system is based on: 1. the MFCCs for acoustic-spectral representation of phonemes, 2. vector quantization for creating the training codebooks of the system and 3. the Propabilistic Neural Networks (PNNs) for the training of the system and the classification of unknown phonemes.

Αντικείμενο της παρούσης διδακτορικής διατριβής αποτελεί η μελέτη και μοντελοποίηση των φαινομένων επιτονισμού της Ελληνικής γλώσσας με εφαρμογές στην σύνθεση ομιλίας. Στα πλαίσια της διατριβής αυτής αναπτύχθηκαν πόροι ομιλίας και εργαλεία για την επεξεργασία και μελέτη προσωδιακών παραγόντων οι οποίοι επηρεάζουν την πληροφορία που μεταφέρεται μέσω του προφορικού λόγου. Για την διαχείρηση και επεξεργασία των παραπάνω πόρων υλοποιήθηκε πλατφόρμα μετατροπής κειμένου σε ομιλία βασισμένη στην συνένωση δομικών μονάδων ομιλίας. Για την μελέτη και την δημιουργία των μοντέλων μηχανικής μάθησης χρησιμοποιήθηκε η γλωσσολογική αναπαράσταση GRToBI των φαινομένων επιτονισμού. / In this thesis we cope with the task of studying and modeling prosodic phenomena encountered in Greek language with applications to the task of speech synthesis from tex. Thus, spoken corpora with various levels of morphosyntactical and linguistic representation as well as tools for their processing, we constructed. For the task of coding the emerged prosodic phenomena of our recorded utterences we have utilized the GRToBI annotation of speech.

Στην παρούσα διατριβή διερευνήθηκε το φαινόμενο της ύπαρξης διαφορών μεταξύ καταγραφών όμοιων ηλεκτρονικών οργάνων που μετρούν υπό τις ίδιες συνθήκες. Οι διαφορές πιθανώς οφείλονται στην επίδραση θορύβου που παράγεται από τα ίδια τα όργανα και παρουσιάζει διαφορετικά χαρακτηριστικά από όργανο σε όργανο (instrument dependent noise). Το φαινόμενο αυτό δεν έχει διερευνηθεί εκτενώς, ενώ παρουσιάζει μεγάλη σημασία αφού στο παρελθόν τα χαρακτηριστικά του θορύβου προερχόμενου από όργανα ίδιου τύπου θεωρούνταν σταθερά. Η διερεύνηση βασίστηκε σε σύγκριση καταγραφών από όργανα GPS ίδιου τύπου που μετρούσαν υπό τις ίδιες συνθήκες. Οι καταγραφές προήλθαν από πειράματα με δέκτες GPS ακίνητους και δέκτες που εκτελούσαν ελεγχόμενες ταλαντώσεις. Τα αποτελέσματα της σύγκρισης έδειξαν ότι ο θόρυβος των οργάνων παρουσιάζει διαφορές από όργανο σε όργανο. Η σύγκριση που πραγματοποιήθηκε περιελάμβανε: σύγκριση των στατιστικών χαρακτηριστικών (μέσος όρος, τυπική απόκλιση) και σύγκριση των φασματικών χαρακτηριστικών του θορύβου των οργάνων, έλεγχο συσχέτισης μεταξύ των οργάνων και έλεγχο χρονικής υστέρησης μεταξύ των οργάνων. Οι διαφορές στα στατιστικά χαρακτηριστικά του θορύβου των οργάνων εμφανίστηκαν μικρές. Οι κύριες διαφορές εμφανίστηκαν στα φασματικά χαρακτηριστικά του θορύβου από κάθε όργανο. Επίσης από την ανάλυση προέκυψε ότι ο θόρυβος δεν παρουσιάζει συσχέτιση από όργανο σε όργανο, ενώ δεν διαπιστώθηκε ύπαρξη χρονικής υστέρησης μεταξύ των οργάνων που εξετάστηκαν. Ο θόρυβος των οργάνων κάλυπτε συχνότητες από 0.001 μέχρι 0.2 Hz περίπου. Για μικρές συχνότητες ο θόρυβος των οργάνων χαρακτηρίζεται έγχρωμος (colored noise) ενώ για συχνότητες πάνω από 1 Hz ο θόρυβος των οργάνων χαρακτηρίζεται λευκός (white noise) με τυχαία χαρακτηριστικά. Τα παραπάνω αποτελέσματα αποτελούν ενδείξεις ότι ο θόρυβος που παράγεται από όργανα GPS ίδιου τύπου παρουσιάζει διαφορές που οφείλονται στις ιδιότητες του οργάνου. Στο μέλλον αξίζει να διερευνηθεί η επίδραση των διαφορών στις μετρήσεις, καθώς να γενικευθούν τα παραπάνω αποτελέσματα και για άλλους τύπους σύγχρονων ηλεκτρονικών οργάνων. / At the present study the differences between recordings obtained from the same instruments under the same conditions were examined. Differences are possibly owned to noise with different characteristics produced by each instrument. The case has not been covered yet and is important as noise produced by the same instruments under the same conditions is generally considered to have the same characteristics. The study was based on comparison of recordings from same GPS instruments measuring simultaneously under the same conditions. The recordings were obtained from experiments where GPS receivers were stationary or executing oscillations with known characteristics. Comparison between the recordings showed that differences exist in the noise produced by instruments of the same type. Our analysis included comparison of the statistical and spectral characteristics of the measurements and cross correlation analysis. The differences between the statistical characteristics were small while bigger differences existed in the spectral characteristics. Furthermore, no significant correlation was found between the noise produced by same instruments Significant noise frequencies existed in the band 0.001 to 0.2 Hz, with low frequency noise characterized as colored and high frequency (>1Hz) noise characterized as white. The above results indicate that instruments of the same type measuring under the same conditions may produce noise with different characteristics. Future studies should cover the effects of the differences mentioned above on GPS measurements, and also possible differences in instrumental noise for other types of instruments.

Στην παρούσα διπλωματική εργασία γίνεται μελέτη της ανάλυσης και σύνθεσης ήχου με τη βοήθεια ημιτονοειδών. Ειδικότερα, εξετάζονται οι παράμετροι της ανάλυσης και σύνθεσης και πως αυτες επηρεάζουν την τελική ανακατασκευή του σήματος. Στη συνέχεια γίνεται διερεύνηση της ανάλυσης και σύνθεσης μόνο στις χαμηλές συχνότητες. Με βάση ένα περιορισμένο εύρος ζώνης, γίνεται ανίχνευση των τονικών υψών. Αναπτύσσονται τρεις μέθοδοι κατηγοριοποίησης τους και στη συνέχεια γίνεται μία αξιολόγηση των μεθόδων αυτών μέσω των μέτρων NMR και PEAQ. / In this degree thesis sound analysis and synthesis using sinusoidals is studied. More specifically, parameters of analysis and synthesis are examined and how they affect the final reconstruction of a signal. Further research is conducted for analysis and synthesis at low sound frequencies. Based on a limited bandwidth, pitch detection is taking place on the input signal. Three methods of categorizing frequencies are developed and they are evaluated using the metrics of NMR (Noise to Mask Ratio) and PEAQ (Perceptual Evaluation of Audio Quality).

Ce travail de thèse traite du développement d’une antenne microphonique compacte et d’une chaîne de traitement du signal dédiée, pour la reconnaissance et la localisation angulaire de cibles aériennes. L’approche globale proposée consiste en une détection initiale de cible potentielle, la localisation et le suivi de la cible, et une détection affinée par un filtrage spatial adaptatif informé par la localisation de la cible. Un algorithme original de localisation goniométrique est proposé. Il utilise l’algorithme RANSAC sur des données pression-vitesse large bande [100 Hz - 10 kHz], estimées en temps réel, dans le domaine temporel, par des différences et sommes finies avec des doublets de microphones à espacements inter-microphoniques adaptés à la fréquence. L’extension de la bande passante de l’antenne en hautes fréquences est rendue possible par l’utilisation de différences finies d’ordre élevé, ou de variantes de la méthode PAGE (Phase and Amplitude Gradient Estimation) adaptées à l’antenne développée. L’antenne acoustique compacte ainsi développée utilise 32 microphones MEMS numériques répartis dans le plan horizontal sur une zone de 7.5 centimètres, selon une géométrie d’antenne adaptée aux l’algorithmes de localisation et de filtrage spatial employés. Des essais expérimentaux de localisation et de suivi de trajectoire contrôlée par une sphère de spatialisation dans le domaine ambisonique ont montré une erreur de localisation moyenne de 4 degrés. Une base de données de signatures acoustiques de drones en vol a été créée, avec connaissance de la position du drone par rapport à l’antenne microphonique apportée par des mesures GPS. L’augmentation des données par bruitage artificiel, et la sélection dedescripteurs acoustiques par des algorithmes évolutionnistes, ont permis de détecter un drone inconnu dans un environnement sonore inconnu jusqu’à 200 mètres avec le classifieur JRip. Afin de faciliter la détection et d’en augmenter la portée, l’étape de détection initiale est précédée d’une formation de voies différentielle dans 4 directions principales (nord, sud, est, ouest), et l’étape de détection affinée est précédée d’une formation de voies de Capon informée par la localisation et le suivi de la cible à identifier. / This thesis deals with the development of a compact microphone array and a dedicated signal processing chain for aerialtarget recognition and direction of arrival (DOA) estimation. The suggested global approach consists in an initial detection ofa potential target, followed by a DOA estimation and tracking process, along with a refined detection, facilitated by adaptivespatial filtering. An original DOA estimation algorithm is proposed. It uses the RANSAC algorithm on real-time time-domainbroadband [100 Hz - 10 kHz] pressure and particle velocity data which are estimated using finite differences and sums ofsignals of microphone pairs with frequency-dependent inter-microphone spacings. The use of higher order finite differences, or variants of the Phase and Amplitude Gradient Estimation (PAGE) method adapted to the designed antenna, can extend its bandwidth at high frequencies. The designed compact microphone array uses 32 digital MEMS microphones, horizontally disposed over an area of 7.5 centimeters. This array geometry is suitable to the implemented algorithms for DOA estimation and spatial filtering. DOA estimation and tracking of a trajectory controlled by a spatialization sphere in the Ambisonic domain have shown an average DOA estimation error of 4 degrees. A database of flying drones acoustic signatures has been set up, with the knowledge of the drone’s position in relation to the microphone array set out by GPS measurements. Adding artificial noise to the data, and selecting acoustic features with evolutionary programming have enabled the detection of an unknown drone in an unknown soundscape within 200 meters with the JRip classifier. In order to facilitate the detection and extend its range, the initial detection stage is preceded by differential beamforming in four main directions (north, south, east, west), and the refined detection stage is preceded by MVDR beamforming informed by the target’s DOA.

Ένα TTS (Τext-To-Speech) σύστημα μετατρέπει ένα οποιοδήποτε κείμενο στην αντιστοιχούσα ομιλία, η οποία έχει φυσικά χαρακτηριστικά. Το ΤΤS αποτελείται από δύο βαθμίδες, τη βαθμίδα Επεξεργασίας Φυσικής Γλώσσας (ΕΦΓ) και τη βαθμίδα Ψηφιακής Επεξεργασίας Σήματος (ΨΕΣ). Η βαθμίδα ΕΦΓ είναι υπεύθυνη για την σωστή ανάλυση του κειμένου εισόδου σε φωνήματα και το καθορισμό των επιθυμητών προσωδιακών χαρακτηριστικών, όπως το pitch, η διάρκεια και η ένταση του κάθε φωνήματος. Η βαθμίδα ΨΕΣ αναλαμβάνει να συνθέσει την ομιλία με τα επιθυμητά προσωδιακά χαρακτηρίστηκα, τα οποία έδωσε η βαθμίδα ΕΦΓ. Ένας τρόπος για να επιτευχθεί αυτό είναι με χρήση αλγορίθμων ανάλυσης και σύνθεσης ομιλίας, όπως ο αλγόριθμος HNM (Harmonic plus Noise Model).Ο ΗΝΜ μοντελοποιεί το σήμα ομιλίας ως άθροισμα δύο τμημάτων, ενός τμήματος με αρμονικά χαρακτηριστικά και ενός τμήματος με χαρακτηριστικά θορύβου. Χρησιμοποιώντας αυτό το μοντέλο γίνεται η ανάλυση και η σύνθεση του σήματος ομιλίας με ή χωρίς προσωδιακές μεταβολές. / A TTS (Text-To-Speech) System is used to convert any given text to its corresponding speech with natural characteristics. A TTS consists of two modules, the Natural Language Processing (NLP) module and the Digital Signal Processing (DSP) module. The NLP module analyses the input text and supplies the DSP module with the appropriate phonemes and prosodic modifications, with concern to pitch, duration and volume of each phoneme. Then the DSP module synthesizes speech with the target prosody, using speech analysis-synthesis algorithms such as HNM. HNM (Harmonic plus Noise Model) algorithm models speech signal as the sum two parts, the harmonic part and the noise part. Speech analysis and speech synthesis with or without modifications, is achieved using the harmonic and the noise part

Le domaine lié à ce travail est appelé « désagrégation d’énergie », où la principale préoccupation est de décomposer, ou désagréger, la consommation globale d’énergie électrique (par exemple, la consommation de tout un ménage) en une consommation détaillée donnée comme information de consommation par usage (par exemple, par appareil). Cette dernière permet d’avoir un retour sur la consommation pour les consommateurs ainsi que pour les fournisseurs et est utile pour permettre des économies d’énergie. Dans ce domaine de désagrégation d’énergie, il existe trois grandes questions auxquelles il faut répondre : qui consomme ? quand ? et combien ? Les recherches menées dans cette thèse se concentrent sur l’identification des appareils électriques, c’est-à-dire la réponse à la première question, en considérant particulièrement des appareils ménagers. À cet effet, nous utilisons le courant transitoire de mise en marche que nous modélisons en utilisant un nouveau modèle que nous avons proposé. De plus, nous utilisons les paramètres estimés de ce dernier pour la tâche d’identification. / The related field to this work is called “energy disaggregation" where the main concern is to break down, or disaggregate, the global electrical energy consumption (e.g. wholehouse consumption) into a detailed consumption given as end-use (e.g. appliance-level) consumption information. This latter gives consumption feedback to consumers and electricity providers and is helpful for energy savings. Three main questions have to be answered in the energy disaggregation field : who is consuming ? when ? and how much ? The research conducted in this thesis focuses on electrical appliances identification, i.e. the who question, considering particularly home appliances. For this purpose, we use the turn-on transient current signal which we model using a new model we proposed and use its estimated model parameters for the identification task.