Added text for Technische Umsetzung and AudioPreprocessor.

Author: schuler-henry

chapter/Grundlagen.tex

@@ -2,12 +2,12 @@ \section{Grundlagen}\label{sec:Grundlagen}
 Der Schwerpunkt dieser Arbeit unterteilt sich in zwei Teile, die Signalvorverarbeitung und das \ac{LPC} Verfahren.
 Im Folgenden werden die theoretischen Grundlagen für beide Prozesse beschrieben.
 
-\subsection{Signalvorverarbeitung}
+\subsection{Signalvorverarbeitung}\label{sec:Signalvorverarbeitung}
 Um ein gegebenes Audiosignal einheitlich verarbeiten zu können, muss dieses zunächst mittels verschiedener Verfahren vorbereitet werden.
 Ziel dieser Vorverarbeitung ist es, die Effizienz und Effektivität des anschließenden Verarbeitungsprozesses zu erhöhen und somit ein verbessertes Ergebnis zu erzielen \autocite[vgl.][S. 11672]{lokesh_speech_2019}.
 Die Vorverarbeitung im Rahmen dieser Arbeit beinhaltet die vier Schritte Rauschreduzierung, Pausen entfernen, Framing und Windowing, welche in den folgenden Unterkapiteln genauer erläutert werden.
 
-\subsubsection{Rauschreduzierung}
+\subsubsection{Rauschreduzierung}\label{sec:Rauschreduzierung}
 Um störende Frequenzen aus dem Audiosignal zu entfernen wird eine Rauschreduzierungsfunktion verwendet.
 Die in dieser Arbeit verwendete Funktion nutzt den sogenannten Spectral Noise Gate Algorithmus.
 Dabei wird zunächst die Signatur des Rauschens ermittelt.

chapter/TechnischeUmsetzung.tex

@@ -1 +1,17 @@
-\section{Technische Umsetzung}\label{sec:TechnischeUmsetzung}
+\section{Technische Umsetzung}\label{sec:TechnischeUmsetzung}
+% TODO: Optional: Quellen hinzufügen wenn Platz vorhanden ist.
+Da die Zuordnung der erzeugten \ac{LPC} Koeffizienten zu einem spezifischen Sprecher mittels eines \acp{NN} umgesetzt wird, wird auf die Programmiersprache Python zurückgegriffen.
+Diese ermöglicht die Verwendung des von Google entwickelten Machine Learning Frameworks TensorFlow.
+Folglich findet auch die Implementierung der Signalvorverarbeitung, sowie der \ac{LPC} Berechnung mit Hilfe der Sprache Python statt.
+
+Um Programmierfehler zu vermeiden, sowie die Effizienz des Codes zu erhöhen, werden Funktionen aus verschiedenen Bibliotheken verwendet.
+Als Basis wird die Bibliothek \textKlasse{numpy} verwendet, welche Funktionen für die Bearbeitung von Arrays und Matrizen bereitstellt. 
+
+\subsection{Klasse AudioPreprocessor}
+Die Klasse \textKlasse{AudioPreprocessor} (vgl. Quellcode~\ref{code:AudioPreprocessor}) beinhaltet die Funktionen für die Schritte der Signalvorverarbeitung (vgl. Kapitel~\ref{sec:Signalvorverarbeitung}).
+Die Funktion \textFunktion{remove\_noise} implementiert die Rauschreduzierung unter Verwendung der Bibliothek \textKlasse{noisereduce}.
+Für die Funktion \textFunktion{remove\_silence} wurde wie bereits erwähnt ein eigener Algorithmus entwickelt (vgl. Zeile~\ref{line:removeSilenceStart}-\ref{line:removeSilenceEnd}), der in Kapitel~\ref{sec:Rauschreduzierung} genauer erläutert ist.
+Die Abschließende Unterteilung des Audiosignals in Frames, sowie das Windowing der Frames findet mit Hilfe von \textKlasse{numpy} Operationen in den Funktionen \textFunktion{create\_frames} und \textFunktion{window\_frames} statt.
+Die passende Fensterfunktion wird dabei ebenfalls durch die  \textKlasse{numpy} Bibliothek bereitgestellt (vgl. Zeile~\ref{line:windowFunction}).
+
+\subsection{Klasse FeatureExtractor}

code/preprocessing/AudioPreprocessor.py

@@ -57,7 +57,14 @@ def float_to_int(array, type=np.int16, divide_max_abs=True):
         return array
 
     @staticmethod
-    def remove_silence(y):
+    def remove_noise(y, sr):
+        # prop_decrease 0.8 only reduces noise by 0.8 -> sound quality is better than at 1.0
+        y_ = nr.reduce_noise(y=y, sr=sr, prop_decrease=0.8)
+
+        return y_
+
+    @staticmethod
+    def remove_silence(y): #(*@\label{line:removeSilenceStart}@*)
         threshold = 0.005
         pause_length_in_ms = 200
         keep_at_start_and_end = 50
@@ -79,14 +86,7 @@ def remove_silence(y):
 
         y_ = np.delete(y, indices_to_remove)
 
-        return y_
-
-    @staticmethod
-    def remove_noise(y, sr):
-        # prop_decrease 0.8 only reduces noise by 0.8 -> sound quality is better than at 1.0
-        y_ = nr.reduce_noise(y=y, sr=sr, prop_decrease=0.8)
-
-        return y_
+        return y_ #(*@\label{line:removeSilenceEnd}@*)
 
     @staticmethod
     def create_frames(y, frame_size, overlap):
@@ -104,7 +104,7 @@ def create_frames(y, frame_size, overlap):
         return frames
 
     @staticmethod
-    def window_frames(frames, window_function=np.hanning):
+    def window_frames(frames, window_function=np.hanning): #(*@\label{line:windowFunction}@*)
         windowed_frames = []
 
         for frame in frames:

pages/anhang.tex

@@ -1,3 +1,6 @@
 \begin{appendix}
   \section{Anhang}
+  \subsection{AudioPreprocessor}
+  \lstset{escapeinside={\#(*@}{@*)}}
+  \lstinputlisting[caption={Signalvorverarbeitung}, captionpos=b, language=Python, label=code:AudioPreprocessor]{code/preprocessing/AudioPreprocessor.py}
 \end{appendix}