استخراج پارامتر ویژگی بهبود یافته از سیگنال های گفتاری با استفاده از الگوریتم یادگیری ماشین (1)

خلاصه: تشخیص گفتار به توانایی نرم افزار یا سخت افزار برای دریافت سیگنال گفتار، شناسایی ویژگی های گوینده در سیگنال گفتار و شناسایی گوینده پس از آن اشاره دارد. به طور کلی، فرآیند تشخیص گفتار شامل سه مرحله اصلی است: پردازش صوتی، استخراج ویژگی و طبقه بندی/تشخیص. هدف از استخراج ویژگی، نشان دادن یک سیگنال گفتاری با استفاده از تعداد از پیش تعیین شده اجزای سیگنال است. این به این دلیل است که رسیدگی به تمام اطلاعات موجود در سیگنال صوتی بیش از حد دست و پا گیر است و برخی از اطلاعات در کار شناسایی بی ربط هستند. این مطالعه یک رویکرد مبتنی بر یادگیری ماشین را پیشنهاد می‌کند که استخراج پارامتر ویژگی از سیگنال‌های گفتار را برای بهبود عملکرد برنامه‌های تشخیص گفتار در محیط‌های شهر هوشمند بلادرنگ انجام می‌دهد. علاوه بر این، اصل نگاشت یک بلوک از حافظه اصلی به حافظه نهان به طور موثر برای کاهش زمان محاسبات استفاده می شود. اندازه بلوک حافظه کش پارامتری است که به شدت بر عملکرد کش تأثیر می گذارد. به طور خاص، اجرای چنین فرآیندهایی در سیستم های بلادرنگ نیازمند سرعت محاسباتی بالایی است. سرعت پردازش نقش مهمی در تشخیص گفتار در سیستم‌های بلادرنگ دارد. این امر مستلزم استفاده از فناوری های مدرن و الگوریتم های سریع است که باعث افزایش شتاب در استخراج پارامترهای ویژگی از سیگنال های گفتاری می شود. مشکلات اورکلاک در طول پردازش دیجیتال سیگنال های گفتاری هنوز به طور کامل حل نشده است. نتایج تجربی نشان می‌دهد که روش پیشنهادی با موفقیت ویژگی‌های سیگنال را استخراج می‌کند و به عملکرد طبقه‌بندی یکپارچه در مقایسه با سایر الگوریتم‌های تشخیص گفتار مرسوم دست می‌یابد.

سیستانچه deserticola

کلید واژه ها: تشخیص گفتار؛ محاسبات موازی؛ محاسبات توزیع شده؛ پردازنده چند هسته ای؛ استخراج ویژگی؛ تحلیل طیفی

1. معرفی

ایجاد رویکردهای ارتباطی بین انسان و فناوری رایانه یک وظیفه حیاتی در هوش مصنوعی مدرن است. یکی از ساده ترین روش ها برای کاربران برای وارد کردن اطلاعات از طریق سیگنال های گفتاری است. بنابراین، فناوری پردازش سیگنال گفتار و ابزارهای آن به بخشی ضروری از جامعه اطلاعاتی تبدیل شده است. تشخیص گفتار یک جنبه تحقیقاتی ضروری در پردازش سیگنال گفتار و یک تکنیک حیاتی تعامل انسان و کامپیوتر است. سیگنال های گفتاری حاوی اطلاعات معنایی، شخصی و محیطی هستند [1]. رویکرد کلی برای پردازش سیگنال گفتار استفاده از تحلیل کوتاه مدت است که در آن سیگنال به پنجره های زمانی با اندازه ثابت تقسیم می شود، با این فرض که پارامترهای سیگنال تغییر نمی کنند. برای به دست آوردن نمایش سیگنال دقیق تر، یک همپوشانی بین پنجره ها قرار می گیرد. الگوریتم های استخراج ویژگی مانند تحلیل طیفی و پیش بینی خطی برای هر پنجره اعمال می شود. با این حال، این فرآیندها باید سرعت و زمان را نیز در نظر بگیرند.

جینسینگ صحرا

زمان‌بندی یک نگرانی مهم در چندین حوزه پردازش سیگنال بلادرنگ است. نسبت سرعت پردازش را می توان با استفاده موثر از منابع پردازنده و توسعه الگوریتم های جدید و سریع برای کاهش زمان پردازش دیجیتال افزایش داد. با این حال، مشکلات محاسباتی با عملکرد بالا هنوز به طور کامل حل نشده اند [2]. علاوه بر این، پیشرفت قابل توجهی در تشخیص خودکار گفتار با توسعه سخت افزار و نرم افزار پردازش سیگنال دیجیتال صورت گرفته است. با این حال، علی‌رغم این پیشرفت‌ها، ماشین‌ها نمی‌توانند با عملکرد همتایان انسانی خود از نظر دقت و تشخیص سرعت، به ویژه در تشخیص گفتار مستقل از بلندگو، مطابقت داشته باشند. بنابراین، حجم زیادی از تحقیقاتی که در زمینه تشخیص گفتار انجام شده است، به دلیل طیف وسیعی از کاربردها و محدودیت‌های تکنیک‌های تشخیص گفتار موجود، بر مشکلات تشخیص گفتار مستقل از گوینده متمرکز شده‌اند [3].

به طور خلاصه، مشارکت های اصلی مطالعه به شرح زیر است:

چای سیستانچ

برای مشاهده محصولات چای سیستانچ دسرتیکولا اینجا کلیک کنید

【بیشتر بخواهید】 ایمیل:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

فرآیند شناسایی یک فرد توسط سیگنال های گفتاری شامل چندین مرحله است. در این میان، برخی از مراحل نیاز به زمان محاسبه بیشتری دارند. این یک تحلیل طیفی است. یکی از پارامترهایی که در الگوریتم های یادگیری ماشین اهمیت ویژه ای دارد زمان آموزش است. در این کار، ما دریافتیم که فرآیند استخراج ویژگی‌ها برای شناسایی سیگنال‌های گفتاری مهم است. علاوه بر این، یادگیری ماشین زمان زیادی می برد. مشخص شده است که فرآیند تحلیل طیفی از عملیات مستقل تشکیل شده است و موازی سازی امکان پذیر است.

آزمایش‌ها نشان داده‌اند که تبدیل‌های طیفی FFT و DCT نتایج خوبی در تحلیل طیفی به دست می‌دهند. فرآیند تحلیل طیفی برای هر بخش از سیگنال گفتار معتبر است. این به ما اجازه می دهد تا به وضوح این ویژگی ها را از سیگنال گفتار متمایز کنیم. با کمک ابزارهای OpenMP و TBB، یک الگوریتم محاسباتی موازی ایجاد شد که امکان افزایش سرعت محاسبات را فراهم کرد.

اندازه بخش هنگام تقسیم سیگنال گفتار به بخش مهم است. در طی آزمایشات، مشخص شد که اندازه بخش سیگنال گفتار به حافظه کش پردازنده مرکزی بستگی دارد. به طور خاص، مطابقت بخش با اندازه حافظه پنهان در پردازنده‌های چند هسته‌ای تأثیر مثبتی بر سرعت محاسباتی در یادگیری ماشین دارد.

یک روش پیاده‌سازی موازی جدید برای تبدیل‌های طیفی سیگنال‌ها برای استخراج پارامتر ویژگی از سیگنال‌های گفتاری با استفاده از یک الگوریتم یادگیری ماشین روی پردازنده‌های چند هسته‌ای با استفاده از TBB و OpenMP پیشنهاد شده‌است.

همچنین مشخص شد که استفاده موثر از اصل نگاشت بلوک حافظه اصلی به حافظه نهان و اندازه بلوک حافظه کش می تواند سرعت پردازش را افزایش دهد.

مکمل سیستانچ نزدیک من-بهبود حافظه

ادامه این مقاله به شرح زیر سازماندهی شده است. بخش 2 مطالعات موجود را برای استخراج ویژگی های سیگنال گفتار خاص بررسی می کند. بخش 3 مراحل استخراج ویژگی را با آزمایش ها شرح می دهد. بخش 4 الگوریتم محاسباتی با کارایی بالا را برای استخراج پارامترهای ویژگی از سیگنال‌های گفتاری با جزئیات ارائه می‌کند. نتایج تجربی بر اساس اجرای ما در بخش 5 مورد بحث قرار گرفته است. بخش 6 محدودیت های روش پیشنهادی را برجسته می کند. در نهایت، بخش 7 مطالعه را با جمع بندی یافته ها و ذکر جهت های تحقیقاتی آتی به پایان می رساند.

2. آثار مرتبط

روش‌های جدید، الگوریتم‌ها و کاربردهای مدرن‌تر در حال حاضر برای تقسیم‌بندی سیگنال‌های گفتاری و محاسبه شاخص‌های پارامتری قطعات انتخاب‌شده در حال توسعه و بهبود هستند، در نتیجه طیف‌نگاری از سیگنال‌های گفتاری با استفاده از تحلیل طیفی ایجاد می‌شود [4-7]. شناسایی گوینده با کلیپ های صوتی متنوع در سراسر جهان یک کار بسیار مهم و چالش برانگیز است، به ویژه در استخراج ویژگی های شدید و متمایز [8]. یک سیستم استخراج جدید ضرایب فرکانس مل (MFCC) که سریعتر و کارآمدتر انرژی نسبت به تحقق سنتی MFCC است توسط کورکماز و همکاران ارائه شد. [9]. آنها به جای استفاده از فیلتر پیش تاکید بالا گذر، از فیلتر پایین گذر استفاده کردند. آنها یک فیلتر باند گذر را با یک فیلتر بالا گذر پیاده سازی کردند زیرا برای تقویت انرژی سیگنال در فرکانس های بالا نیاز به تاکید قبلی است. در کار قبلی خود [10]، یک روش جدید مبتنی بر MFCC برای شناسایی سخنران ارائه کردیم. به‌جای استفاده از MFCC‌های معمولی، از پیکسل‌های طیف‌نگار Mel به عنوان مجموعه ویژگی‌های خود استفاده می‌کنیم. طیف نگار به آرایه 2-D تبدیل شد تا یک مجموعه داده جدید ایجاد شود. برای شناسایی گوینده، چندین الگوریتم یادگیری با تکنیک اعتبارسنجی متقاطع 10-به‌کار گرفته شد. با کمک یک پرسپترون چند لایه (MLP) با تابع فعال سازی tanh، بهترین دقت 90.2 درصد به دست آمد.

استخراج ویژگی با تغییر شکل موج گفتار به شکلی از نمایش پارامتری با نرخ داده نسبتاً کمتر برای پردازش و تحلیل بعدی انجام می‌شود [11-14]. رویکردهای استخراج ویژگی معمولاً یک بردار ویژگی چند بعدی را برای هر سیگنال گفتاری ایجاد می کنند. استخراج ویژگی مرتبط ترین بخش تشخیص بلندگو است. ویژگی های گفتار نقشی حیاتی در جداسازی گوینده از دیگران دارد. استخراج ویژگی، بزرگی سیگنال گفتار را کاهش می دهد، بدون ایجاد آسیب به قدرت سیگنال گفتار [15-17]. در [18]، نویسندگان رویکرد جدیدی را معرفی کردند که از تنظیم دقیق پارامترهای اندازه و تغییر در پنجره تحلیل طیفی استفاده می‌شود که برای محاسبه تبدیل فوریه اولیه کوتاه‌مدت برای بهبود عملکرد تشخیص گفتار خودکار وابسته به سخنران استفاده می‌کند. سیستم (ASR) در غیاب پزشکان، افراد عادی می توانند از سیستم های کمک تصمیم گیری استفاده کنند که با استفاده از رویکردهای هوش مصنوعی ایجاد شده اند. تشخیص زودهنگام و غیر تهاجمی وضعیت قلب را می توان با استفاده از سیگنال های فونوکاردیوگرام (PCG) انجام داد [19-21].

شبکه‌های عصبی کانولوشنال (CNN) نشان داده شده‌اند که با موفقیت موقعیت ساختاری را در فضای ویژگی شبیه‌سازی می‌کنند و همچنین از ادغام در یک منطقه فرکانس بایاس برای کاهش تغییرات انتقالی و تنظیم برای اختلالات و تغییرات کوچک در فضای ویژگی استفاده می‌کنند [22]. محمدیف و همکاران یک مدل تشخیص گفتار مدل مارکوف پنهان پایان به انتها شبکه عصبی عمیق و یک شبکه رده‌بندی زمانی پیوندگرای ترکیبی (CTC) برای زبان ازبکی و گویش‌های آن پیشنهاد کرد. رویکرد پیشنهادی با استفاده مؤثر از تابع هدف CTC در آموزش مدل توجه، زمان آموزش را کاهش می‌دهد و دقت تشخیص گفتار را بهبود می‌بخشد [23]. استخراج و طبقه بندی ویژگی با استفاده از یک مدل شبکه عصبی کانولوشنال یک بعدی (CNN) که سیگنال های صدای قلب را به طور مستقیم و مستقل از الکتروکاردیوگرام (ECG) به عادی و غیر طبیعی تقسیم می کند، در [24] پیشنهاد شد. آنها ادعا می‌کنند که دقت طبقه‌بندی در CNN 1 بعدی نسبت به CNN 2 بعدی برای سیگنال‌های صدای قلب مورد استفاده در این مطالعه زمانی که هسته کانولوشن کمتر از 52 است، بیشتر است، زیرا یک هسته کانولوشن بزرگ می‌تواند منجر به پیچیدگی محاسباتی شود و به طور فزاینده‌ای وقت‌گیر است. . در [25]، یک شبکه عصبی عمیق برای به حداکثر رساندن دقت خلفی توالی های حالت مدل های آکوستیک مربوط به توالی های ویژگی گفتار با استفاده از پایگاه داده TIMIT (TIMIT Acoustic-Phonetic Continuous Speech Corpus) آموزش داده شد.

3. پیش پردازش: بررسی اجمالی مواد

مکمل سیستانچ نزدیک من-بهبود حافظه

برای این منظور، توسعه الگوریتم‌های سریع برای استخراج پارامترهای ویژگی از سیگنال‌های گفتاری و نمایش‌های پارامتریک، استخراج نمونه‌های مفید و آموزنده برای پردازش، و توسعه برنامه‌هایی برای اجرای طیف‌نگارهای بخش‌های صوتی انتخابی ضروری است.

سیستم های تشخیص گفتار از دو زیر سیستم اصلی تشکیل شده است:

پردازش اولیه سیگنال های گفتاری (فونوگرام)؛

طبقه بندی نمادهای صوتی با استفاده از یک الگوریتم هوشمند (طیف‌گرام).

اولین زیرسیستم نمادهای صوتی را به عنوان مجموعه ای از ویژگی های صوتی اطلاعاتی سیگنال ها و ویژگی های سیگنال تولید می کند. زیرسیستم دوم سیگنال گفتار را بر اساس ویژگی های صوتی به دست آمده به فرم پارامتریک تبدیل می کند. پردازش سیگنال گفتار شامل مراحل زیر است:

جداسازی مرزهای سیگنال گفتار؛

فیلتر دیجیتال؛

تقسیم بندی؛

استفاده از یک پنجره صاف;

تبدیل طیفی و عادی سازی فرکانس های طیفی.

این مراحل به طور گسترده برای استخراج پارامترهای ویژگی از سیگنال های گفتاری استفاده می شود و ویژگی های اصلی آنها در ادامه مورد بررسی قرار می گیرد.

3.1. جداسازی مرزها

استخراج تنها بخش‌هایی از گفتار از سیگنال ورودی یا تعیین لحظه‌های شروع و پایان یک جمله در یک محیط پر سر و صدا، یک کار ضروری در پردازش گفتار است. برای حل این مشکل از ویژگی های زیر برای سیگنال گفتار استفاده می شود: انرژی کوتاه مدت سیگنال گفتار، تعداد نقاط متقاطع در صفر، چگالی توزیع مقادیر میدان سکوت در سیگنال، و آنتروپی طیفی سیستم‌های تشخیص گفتار سنتی از تکنیک‌هایی استفاده می‌کنند که بر اساس انرژی‌های گذرا و طیفی یک سیگنال (به عنوان مثال، تشخیص فعالیت صوتی) برای تعیین مرزهای گفتار از سیگنال‌های گفتاری ورودی است [26-28].

پارامترهای اصلی سیگنال گفتار انرژی کوتاه مدت سیگنال گفتار و تعداد نقاط عبور از صفر است. به عنوان یک قاعده، پارامترهای یک سیگنال گفتار به سرعت در طول زمان تغییر می کند. بنابراین، مرسوم است که سیگنال گفتار را به قطعاتی به طول 10 تا 30 میلی ثانیه پردازش کنید که همپوشانی ندارند. سیگنال گفتار در این محدوده ثابت است و نواحی سکوت در سیگنال گفتار با محاسبه انرژی گذرا حذف می شوند. الگوریتم برای حل این مشکل به N دنباله از 256 مقدار انرژی کوتاه مدت سیگنال گفتار بعدی تقسیم شده است.

محاسبه انرژی هر قطعه با تقسیم سیگنال گفتار برای محاسبات موازی و توزیع شده مناسب است. هر قطعه به طور مستقل پردازش می شود. اگر پردازش در یک چند پردازنده n هسته ای اعمال شود، محاسبه انرژی n قطعه به طور همزمان امکان پذیر خواهد بود. بنابراین، امکان افزایش کارایی پردازش موازی در این مرحله وجود دارد [29-32].

3.2. تعداد صفر گذر

تلاقی صفر نقطه‌ای است که در آن علامت یک تابع ریاضی تغییر می‌کند (مثلاً از مثبت به منفی)، که با یک برش محور (مقدار صفر) در نمودار تابع نشان داده می‌شود. فرکانس عبور از صفر در یک سیگنال ممکن است ساده ترین نشانگر خواص طیفی آن باشد. به عنوان مثال، تعداد نقاطی که از صفر در سیگنال گفتاری عبور می کنند را می توان با استفاده از معادله زیر تعیین کرد:

شکل 1. روش جداسازی گفتار بر اساس تحلیل آنتروپی طیفی.

3.3. فیلتر دیجیتال

علاوه بر یک سیگنال معمولی و مفید، انواع مختلفی از نویز وجود دارد. از آنجایی که نویز بر کیفیت سیستم‌های تشخیص گفتار تأثیر منفی می‌گذارد، مقابله با نویز یک موضوع مبرم است. دو نوع فیلتر دیجیتال برای کاهش سطح نویز در سیستم استفاده می شود: یک فیلتر خطی و یک فیلتر اولیه. فیلتر خطی را می توان ترکیبی از فیلترهای فرکانس پایین و بالا در نظر گرفت زیرا تمام فرکانس های پایین و بالا را می گیرد. فیلتر اولیه برای به حداقل رساندن تأثیر اغتشاشات محلی بر روی نشانه‌های مشخصه‌ای که برای شناسایی بعدی استفاده می‌شوند، اعمال می‌شود. یک سیگنال گفتار باید از یک فیلتر پایین گذر برای تراز طیفی عبور داده شود [35].

3.4. تقسیم بندی

تقسیم بندی فرآیند تقسیم سیگنال گفتار به قطعات مجزا و غیر همپوشانی است. سیگنال معمولاً به واحدهای گفتاری مانند جملات، کلمات، هجاها، واج ها یا حتی واحدهای آوایی کوچکتر تقسیم می شود. تقسیم‌بندی ضبط‌هایی که حاوی گفته‌های گویندگان متعدد است ممکن است شامل نسبت دادن قطعات گفته‌ها به گویندگان خاص باشد. اصطلاح "ایستگاه های قطعه" گاهی اوقات برای اشاره به تقسیم سیگنال گفتار به فریم قبل از پارامترسازی آن استفاده می شود [36،37].

3.5. تبدیل طیفی

لازم است ویژگی های اصلی سیگنال های گفتاری را که در مراحل بعدی فرآیند تشخیص گفتار استفاده می شود، تشخیص دهیم. ویژگی های اولیه با تجزیه و تحلیل ویژگی های طیفی سیگنال های گفتاری تعیین می شود. الگوریتم تبدیل فوریه سریع معمولاً برای به دست آوردن فرکانس طیفی سیگنال گفتار استفاده می شود [38،39].

3.6. عادی سازی فرکانس های طیفی

کل فرآیند محاسباتی در الگوریتم های هوشمند بر اساس متحرک اعداد اعشاری است. بنابراین، پارامترهای اشیایی که با استفاده از شبکه‌های عصبی طبقه‌بندی می‌شوند به محدوده [{0}} محدود می‌شوند.0، 1.0]. طیف حاصل بین 0 و 1 نرمال می شود تا پردازش طیفی با استفاده از شبکه عصبی اعمال شود. برای رسیدن به این هدف، هر جزء برداری به حداکثر اجزای خود تقسیم می شود.

روش‌های پردازش طیفی استفاده از تمام نمونه‌های داده‌ای که از سیگنال گفتار به‌دست می‌آیند را ممکن می‌سازد. بسیاری از سیگنال های گفتاری دارای ساختار فرکانس و ویژگی های طیفی خاصی هستند. روش های طیفی پردازش با دقت بالایی سیگنال های گفتاری را ارائه می دهند. از معایب پردازش طیفی می توان به انعطاف پذیری کم در ویژگی های محلی سیگنال ها، کمبود ابعاد طیفی و هزینه های محاسباتی نسبتاً بالا اشاره کرد.

تبدیل فوریه، تحلیل موجک و بسیاری از الگوریتم های دیگر به طور گسترده در پردازش طیفی سیگنال های گفتاری استفاده می شود. تبدیل فوریه در بسیاری از زمینه های علوم از جمله پردازش گفتار استفاده می شود. در پردازش سیگنال گفتار، تبدیل فوریه سیگنال را از میدان زمان به میدان طیفی به عنوان یک جزء فرکانس تبدیل می کند [40].

در مطالعات قبلی، تبدیل فوریه گسسته (DFT)، تبدیل کسینوس گسسته (DCT)، تبدیل فوریه کوتاه مدت و تبدیل موجک برای تجزیه و تحلیل طیفی استفاده شد. این روش ها برای تبدیل قطعات سیگنال گفتار به حوزه فرکانس و محاسبه طیف مورد استفاده قرار گرفتند. بسته‌های TBB و OpenMP برای ایجاد الگوریتم‌های موازی برای تبدیل‌های طیفی استفاده شدند. در این روش ها، فرمان سیگنال را به فریم ها تقسیم می کند. به عنوان مثال، N=16، 32، …، یا 4096 برای هر فریم [4]. اندازه هر فریم ایجاد شده برابر با اندازه بلوک حافظه کش است زیرا حافظه کش عاملی است که بر کارایی پردازش موازی تأثیر می گذارد. نتایج شتاب در شکل 2 نشان داده شده است.

شکل 2. نتایج شتاب برای (الف) پردازنده های چهار و (ب) هشت هسته ای.

برای پیاده‌سازی نرم‌افزار الگوریتم‌های پردازش موازی، پردازش سریال و موازی بر روی پردازنده‌های چهار و هشت هسته‌ای انجام شد که با استفاده از رایانه‌های شخصی و سرورها، همانطور که در جدول 1 آمده است، اعمال شد.

جدول 1. ویژگی های پردازنده های اینتل.

ویژگی اصلی الگوریتم DCT تناوب است. مزیت DCT این است که بیشتر انرژی سیگنال را روی تعداد کمی از عوامل متمرکز می کند. معادلات زیر عناصر ماتریس ضریب را نشان می دهد:

که در آن L(k) مقدار DCT است، k شاخصی از ضرایب، x(n) نشان دهنده اقلام داده و N اندازه فریم است.

پارامترهای تحلیل فوریه اساس روش‌هایی هستند که برای تولید بردارهای ویژگی در اکثر سیستم‌های تشخیص گفتار در پردازش دیجیتال سیگنال‌های گفتار در حوزه طیفی استفاده می‌شوند. ضرایب فرکانس مل (MFCCs) [41] و تکنیک‌های کدگذاری پیش‌بینی خطی (LPC) [42،43] در تحلیل فوریه برای تولید تصاویر طیف‌نگاری از سیگنال‌های گفتاری استفاده می‌شوند. طیف هایی که با استفاده از تحلیل فوریه به دست می آیند، اطلاعات مختصر و دقیقی را در مورد سیگنال گفتاری، همانطور که در شکل 3 نشان داده شده است، ارائه می دهند.

شکل 3. DFT: (الف) تغییر در محدوده فرکانس در حوزه زمانی و (ب) طیف نگاری.

سیگنال های دو بعدی (2 بعدی) برای تجزیه و تحلیل طیفی در آزمایش ها استفاده شد. ویژگی‌های تحلیل طیفی دوبعدی که در الگوریتم‌های پردازش تصویر موازی استفاده می‌شوند، برای پردازش موازی در پردازنده‌های چند هسته‌ای مناسب هستند [38]. به طور خاص، بردارها و ماتریس‌های تبدیل رو به جلو و معکوس دارای ابعاد باینری هستند و سازگاری این معماری پردازنده چند هسته‌ای می‌تواند به طور موثر سرعت محاسبات را افزایش دهد. بنابراین، پردازش متوالی و موازی را بر روی کامپیوتری با ویژگی‌های پردازنده متفاوت برای اجرای سخت‌افزاری الگوریتم‌هایی که برای پردازش سیگنال‌های دوبعدی استفاده می‌شوند، اعمال کردیم (جدول 2).

جدول 2. ویژگی های کاربرد پردازنده های اینتل.

کل سیگنال دو بعدی در هر مرحله به قطعات یکسان با اندازه های مختلف تقسیم شد [44]. مقادیر قطعات انتخاب شده بین وضوح پیکسل 16 × 16 و 1024 × 1024 بود. سرعت الگوریتم DCT موازی با استفاده از بسته OpenMP در مقایسه با الگوریتم متوالی در شکل 4 ارائه شده است. استفاده از تحلیل طیفی 2 بعدی موازی الگوریتم روی پردازنده‌های چند هسته‌ای نتیجه اورکلاکی را به همراه دارد که نزدیک به تعداد هسته‌ها است.

شکل 4. نتایج شتاب برای تجزیه و تحلیل طیفی موازی 2 بعدی.