Солнечная энергетика России: перспективы и проблемы развития. Использование солнечной энергии

Коммерческие программы по распознаванию речи появились в начале девяностых годов. Обычно их используют люди, которые из-за травмы руки не в состоянии набирать большое количество текста. Эти программы (например, Dragon NaturallySpeaking, VoiceNavigator) переводят голос пользователя в текст, таким образом, разгружая его руки. Надёжность перевода у таких программ не очень высока, но с годами она постепенно улучшается.

Увеличение вычислительных мощностей мобильных устройств позволило и для них создать программы с функцией распознавания речи. Среди таких программ стоит отметить приложение Microsoft Voice Command, которое позволяет работать со многими приложениями при помощи голоса. Например, можно включить воспроизведение музыки в плеере или создать новый документ.

Интеллектуальные речевые решения, позволяющие автоматически синтезировать и распознавать человеческую речь, являются следующей ступенью развития интерактивных голосовых систем (IVR). Использование интерактивного телефонного приложения в настоящее время не веяние моды, а жизненная необходимость. Снижение нагрузки на операторов контакт-центров и секретарей, сокращение расходов на оплату труда и повышение производительности систем обслуживания - вот только некоторые преимущества, доказывающие целесообразность подобных решений.

Прогресс, однако, не стоит на месте и в последнее время в телефонных интерактивных приложениях все чаще стали использоваться системы автоматического распознавания и синтеза речи. В этом случае общение с голосовым порталом становится более естественным, так как выбор в нем может быть осуществлен не только с помощью тонового набора, но и с помощью голосовых команд. При этом системы распознавания являются независимыми от дикторов, то есть распознают голос любого человека.

Следующим шагом технологий распознавания речи можно считать развитие так называемых Silent Speech Interfaces (SSI) (Интерфейсов Безмолвного Доступа). Эти системы обработки речи базируются на получении и обработке речевых сигналов на ранней стадии артикулирования. Данный этап развития распознавания речи вызван двумя существенными недостатками современных систем распознавания: чрезмерная чувствительность к шумам, а также необходимость четкой и ясной речи при обращении к системе распознавания. Подход, основанный на SSI, заключается в том, чтобы использовать новые сенсоры, не подверженные влиянию шумов в качестве дополнения к обработанным акустическим сигналам.

На сегодняшний день можно выделить пять основных направлений использования систем распознавания речи:

Голосовое управление - способ взаимодействия и управления работой устройства при помощи голосовых команд. Системы голосового управления малоэффективны для ввода текста, зато удобны для ввода команл, таких как:

Виды систем

На сегодняшний день существует два типа систем распознавания речи - работающие «на клиенте» (client-based) и по принципу «клиент-сервер» (client-server). При использовании клиент-серверной технологии речевая команда вводится на устройстве пользователя и через Интернет передается на удаленный сервер, где обрабатывается и возвращается на устройство в виде команды (Google Voice, Vlingo, пр.); ввиду большого количества пользователей сервера система распознавания получает большую базу для обучения. Первый вариант работает на иных математических алгоритмах и встречается редко (Speereo Software) - в этом случае команда вводится на устройстве пользователя и обрабатывается в нем же. Плюс обработки «на клиенте» в мобильности, независимости от наличия связи и работы удаленного оборудования. Так, система, работающая «на клиенте» кажется надежнее, но ограничивается, порой, мощностью устройства на стороне пользователя.

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

ВВЕДЕНИЕ

Изучением человеческой речи занимаются давно. В середине ХХ века возникает проблема автоматического распознавания речи вычислительными машинами. За полвека ученым удалось накопить огромное количество знаний о предмете исследований. Стало понятным, что распознавание речи - очень непростая задача.

Основной техникой для многих систем распознавания речи является статистический метод, называемый скрытым Марковским моделированием (HMM). Такие системы разрабатываются во многих центрах и способны на хорошее распознавание слов речи. Вероятность распознавания слов достигает 80 - 90 %.

Области применения систем автоматического распознавания речи самые разнообразные. Например, с начала девяностых годов в нескольких американских и канадских компаниях по заказу министерства обороны США ведется разработка систем распознавания, предназначенных для перехвата телефонных переговоров. В последнее время системы распознавания применяются в компьютерных курсах обучения иностранному языку, системах подготовки текстовых документов. Перспективными направлениями являются разработка систем помощи людям с ограниченными возможностями и совершенствование человеко-машинного интерфейса .

Факторами, сдерживающими широкое внедрение систем автоматического распознавания речи, являются:

Сложность реализации в малогабаритной мобильной аппаратуре из-за высоких вычислительных расходов и их значительной неравномерности, а так же необходимость хранения в памяти большого словаря (набора моделей распознаваемых речевых единиц);

Значительное ухудшение параметров качества в условиях помех.

В данной работе представлены основные принципы построения систем распознавания речи, предварительной обработки исходного сигнала, построения акустических и языковых моделей, рассмотрен современный подход к помехоустойчивости систем распознавания. Рассматриваются способы оценки качества распознающих систем.

Уделяется так же внимание проблемам разработки, перспективам развития и непрерывного совершенствования распознающих систем.

1. СИСТЕМЫ РАСПОЗНАВАНИЯ РЕЧИ

Распознавание речи - процесс преобразования акустического сигнала, преобразованного в электрический, в последовательность слов. Распознанные слова могут быть конечным результатом, если целью системы является управление, ввод данных или подготовка документа. Они могут также быть основой для последующей лингвистической обработки для достижения понимания речи .

1.1 Классификация и структура систем распознавания речи

Классификация

Системы распознавания речи характеризуются множеством параметров, основные из которых приведены в таблице 1.1.

Таблица 1.1. Общие параметры систем распознавания речи

Если система предназначена для распознавания отдельных слов, то говорящий должен делать между ними паузы, если - для непрерывной речи, то нет. Спонтанная речь обычно содержит гораздо больше бессвязностей, чем речь читающего письменный текст, следовательно, ее труднее распознавать. Некоторые системы требуют подстройки под говорящего, когда пользователь перед применением системы должен произнести какие-то слова или фразы для подстройки системы, в то же время другие системы этого не требуют. Распознавание в целом является более сложной задачей, когда объем словаря большой и содержит много похоже звучащих слов.

Простейшую модель языка можно описать сетью с определенным числом состояний. В ней множество допустимых слов, следующих за каждым словом, является определенным. Модели, приближающиеся к естественному языку, определяются с помощью контекстно-зависимых грамматик.

Широко используемым показателем сложности задачи, решаемой системой распознавания, является перплексность (perplexity, трудность, сложность, запутанность). Перплексность определяется как число возможных слов, следующих за данным словом в данной языковой модели.

Распознающую систему характеризует так же такой параметр как максимально допустимое отношение сигнал-шум (signal to noise ratio, SNR).

Распознавание речи - сложная задача, в основном из-за большого числа источников, влияющих на параметры речевого сигнала:

Акустическое звучание фонем, наименьших речевых единиц, сильно зависит от окружающего их фонетического контекста (/t/ в словах two, true, butter), в словосочетаниях контекстная зависимость становится еще сильнее («освоить производство», «усвоить хорошие манеры»);

Акустические вариации сигнала из-за различия акустики помещений, характеристик и расположения микрофона;

Физическое и эмоциональное состояние говорящего;

Его возраст, пол, социальное положение, диалект.

Общая структура системы распознавания речи представлена на рисунке 1.1.

Рисунок 1.1 - Структура системы распознавания речи.

Речевой сигнал делится на участки, для каждого участка рассчитывается набор параметров. Эти параметры используются для поиска самого подходящего слова - кандидата в пределах имеющихся акустических, лексических и языковых моделей. Лексические модели в современных системах включены в языковую модель как принципы и способы создания словаря на основе имеющейся текстовой базы и поиска в нем. В наиболее простых системах языковая модель вырождается в лексическую.

1.2 Современный уровень развития

Качество работы распознающей системы обычно оценивается с помощью такого показателя как норма ошибки:

(1.1)

N - общее число слов в тестовом наборе, S, I, D - соответственно число замещений, вставок и удалений слов.

С девяностого года 20 века в технологии распознавания речи достигнут значительный успех. Норма ошибки снижалась примерно в 2 раза за каждые 2 года. Были в основном преодолены барьеры зависимости распознающей системы от диктора, распознавания непрерывной речи и использования словаря большого объема. Этому способствовали несколько факторов:

- использование Скрытых Марковских моделей (СММ);

Разработка стандартных правил составления речевых баз данных для обучения и тестирования (TIMIT, RM, ATIS, WSJ и др.), они позволяют разработчикам определять число акустических реплик, важных для подчеркивания фонетических особенностей, на основе статистических методик. Стандартизация правил обучения и тестирования позволяет так же сравнить производительность различных систем;

- существенное увеличение производительности вычислительных систем.

Типичная задача с низким уровнем перплексности (РР = 11) - распознавание цифр в стандартном телефонном канале. Здесь достигнута норма ошибки 0,3% при известной длине последовательности цифр.

Задачами среднего уровня перплексности являются задачи управления ресурсами, например система распознавания спонтанной речи для информационной системы воздушного движения (Air Travel Information Service, ATIS) со словарем около 2000 слов и РР = 15 достигает нормы ошибки не более 3%.

Высоким уровнем перплексности (РР? 200) и большим словарем (около 20000 слов) обладают системы, предназначенные для диктовки текста. Достигнутая ими норма ошибки составляет порядка 7%.

Основными направлениями применения распознающих систем являются голосовой набор телефонного номера (например «звоню домой» вместо набора номера), подготовка документов, информационно-справочные системы, системы обучения иностранному языку.

1.3 Перспективы

Помехоустойчивость

Качество работы распознающих систем катастрофически снижается при возрастании разницы в условиях записи обучающих речевых данных и условиях реальной работы из-за различных помех. Поэтому, влиянию акустического окружения и электрических характеристик канала передачи будет уделено особое внимание.

Переносимость

При переносе современных систем на решение новой задачи качество их работы сильно снижается. Для его улучшения требуется переобучение системы. Переносимость подразумевает возможность применения системы для решения разных задач с минимальной подстройкой.

Адаптация, подстройка

Даже в ходе эксплуатации системы для решения одной и той же задачи, внешние условия могут меняться (дикторы, микрофоны и т.д.). Необходимо решить, как заставить систему улучшать качество работы в ходе эксплуатации и подстраиваться под новые условия.

Языковые модели

Современные системы используют статистические языковые модели для снижения пространства поиска и разрешения неопределенности акустической модели. С ростом объема словаря и ослаблением прочих ограничений, для создания жизнеспособных систем все более важным фактором становится определение правил и ограничений, накладываемых синтаксисом распознаваемого языка. При этом чисто статистические языковые модели будут включать все больше синтаксических и семантических правил и ограничений.

Мера доверия гипотезам

Большинство распознающих систем для упорядочения гипотез сопоставляют каждой гипотезе некоторый вес, число. В настоящее время этот вес, как правило, не является показателем доверия к данной гипотезе (т.е. чем эта гипотеза лучше других). Для задач управления необходимо совершенствовать методы оценки достоверности гипотез.

Слова, не входящие в словарь

Системы разрабатываются для применения с определенным словарем. Однако в реальных условиях всегда будет некоторый процент слов, не входящих в словарь. Должны существовать методы определения наличия таких слов и их обработки.

Спонтанная речь

Системы, работающие в реальных условиях, всегда сталкиваются с разнообразными явлениями, присущими спонтанной речи: фальстарты, заикание, неграмматические конструкции и др. Разработка ATIS решила много вопросов в этой области, но далеко не все.

Просодия (интонация и ритм)

Интонация и ритмическая структура речи несут информацию о смысле произносимых слов. Однако в настоящее время не решен вопрос о том, как интегрировать просодическую информацию в распознающую систему.

Моделирование динамики

Современные системы принимают последовательность участков акустического сигнала и обрабатывают их как статические и независимые друг от друга. Однако известно, что воспринимаемые как фонемы и слова участки сигнала требуют объединения выделенных из сигнала параметров и представления их в динамике. Это отражало бы динамическую артикуляцию. Как смоделировать динамику речевого сигнала для распознающей системы - задача не решенная.

2. ПРЕДСТАВЛЕНИЕ ИСХОДНОГО СИГНАЛА

2.1 Принципы предварительной обработки сигнала

В основанном на статистических методах распознавании речи исходный сигнал подвергается дискретизации с частотой от 6,6 до 20 кГц и обрабатывается с целью представления его в виде последовательности векторов в пространстве признаков, моделирующих состояние речевого тракта диктора. При этом участок исходного сигнала длительностью 10 - 25 мс, что составляет 150 - 300 отсчетов, обычно сильно коррелированных между собой, раскладывается в ортогональный ряд и при заданной величине ошибки представляется в виде 10 - 20 коэффициентов разложения, называемых параметрами.

Эти векторы параметров в последующих шагах используются для оценки вероятности принадлежности вектора или последовательности векторов фонеме или целому слову при проверке гипотезы о принадлежности.

В большинстве систем процессы векторного представления сигнала и оценки вероятности тесно связаны. Поэтому предполагается, что если операция или процедура применяется к речевому сигналу - она относится к этапу представления. Если же она применяется для проверки гипотезы, то она - часть этапа расчета соответствия.

Цель этапа представления сигнала - сохранение всей полезной информации, необходимой для фонетической идентификации рассматриваемого участка речевого сигнала. В то же время представление должно быть максимально невосприимчивым к таким факторам как различия между дикторами, особенности каналов связи, эмоциональное состояние. Представление так же должно быть как можно более компактным.

Использующиеся в современных системах представления в большей степени отражают свойства речевого сигнала, обусловленные формой голосового тракта, чем сигналом возбуждения (основной тон, формируемый гортанью и голосовыми связками). Представления лишь определяют, вибрируют или нет голосовые связки, т.е. является ли звук вокализованным.

Используемые представления почти всегда являются производными от ограниченного энергетического спектра, спектральной плотности мощности сигнала

где x1, …, xl, …, xn - исходная последовательность отсчетов в сегменте; S(ejщ) - спектральные коэффициенты. Применение энергетического спектра целесообразно, поскольку ухо нечувствительно к фазе акустического сигнала .

Кроме того, для энергетического спектра почти всегда используется логарифмическое представление. Это позволяет снизить слишком сильные перепады параметров при значительных колебаниях амплитуды сигнала, а так же превратить мультипликативные акустические эффекты и помехи от применяемого оборудования в аддитивные помехи. Недостатком логарифмического представления является неопределенность логарифма нуля. Это требует ограничения минимума шкалы амплитуд сигнала некоторым ненулевым значением и ограничения самого сигнала снизу для избежание чрезмерной чувствительности к спектральным составляющим с низкой энергией, являющихся в основном шумовыми. .

Рисунок 2.1 - Представления речевого сигнала для распознавания

До расчета спектра сигнал обычно проходит предварительную фильтрацию, обеспечивающую рост усиления сигнала при увеличением частоты с крутизной 6 дБ/октаву для компенсации ослабления, вносимого электрическим трактом. Далее исходный сигнал делится на последовательные, накладывающиеся друг на друга участки, обычно 25 мс длины, обрабатываемые колоколовидной функцией для снижения амплитуды сигнала по краям участка. После чего рассчитывается спектральная плотность мощности.

Полученный энергетический спектр имеет нежелательную гармоническую составляющую на частоте основного тона. Эта составляющая может быть уменьшена группировкой соседних наборов спектральных составляющих до образования группы около 20 полос перед расчетом логарифма мощности. Эти полосы часто делаются последовательно все более широкими с разницей 1 кГц. Возможно так же применение набора цифровых фильтров. Результаты - сходные .

Еще более снижающим корреляцию соседних отсчетов в исходном сигнале является кепстральное представление сигнала. Здесь предполагается, что речь является сигналом на выходе линейной системы с медленно меняющимися параметрами - голосового тракта, возбуждаемой либо последовательностью импульсов основного тона, либо шумом. Анализ речевого сигнала в этом случае состоит в расчете параметров голосового тракта по измеренным параметрам речевого сигнала и оценке их с течением времени . Поскольку сигнал возбуждения x(n) и импульсная характеристика фильтра h(n) взаимодействуют через операцию свертки, задача анализа рассматривается как задача разделения компонент, участвующих в операции свертки. Такая задача называется задачей обратной свертки, или развертки. Для ее решения необходимо найти следующий гомоморфизм: C(x(n)*h(n)) = C(x(n)) + C(h(n)). Этот гомоморфизм может быть осуществлен с помощью следующего преобразования:

c(n) = F-1(ln[ |F(x(n))| ]),(2.2)

которое называется кепстром дискретного сигнала x(n), F и F-1 - соответственно прямое и обратное дискретное преобразование Фурье .

С такой же моделью формирования речевого сигнала связано авторегрессионное представление сигнала (линейное предсказание, LPC). Коэффициенты авторегрессии рассчитываются из условия непосредственной минимизации корреляции между близкими отсчетами речевого сигнала x(ti):

Разные разработчики используют на начальном этапе расчета параметров сигнала разные модели, энергетический спектр или авторегрессию, например, в телефонии обычно применяется авторегрессия, так как во всех современных телефонных вокодерах рассчитываются именно эти параметры. В вычислительных системах обычно рассчитывается спектр, поскольку компоненты для его расчета могут быть использованы другими приложениями. В дальнейшем производится расчет кепстральных коэффициентов Сi, как в наибольшей степени отвечающих задаче распознавания . Расчет кепстра через авторегрессию в вычислительном плане более экономичен, что хорошо для ограниченных ресурсов телефонии . Для компьютеров такого жесткого ограничения нет, но важна универсальность и возможность повторного использования кода, поэтому лучше - спектр. Некоторые системы рассчитывают так же динамику изменений параметров сигнала дСi внутри участка сигнала и между соседними участками.

Различные неизменные внешние факторы, такие как характеристики конкретного телефонного соединения, проявляются как постоянная составляющая (смещение) спектра или кепструма. Разностные, динамические параметры дСi не подвержены таким эффектам. Если динамические параметры первого порядка пропустить через интегратор, будут восстановлены величины, близкие исходным, статическим параметрам Сi. Сходная техника, примененная к последовательностям коэффициентов энергетического спектра, до взятия логарифма, пригодна для снижения помехи в виде стационарного или медленно меняющегося аддитивного шума.

Поскольку кепстральные коэффициенты почти некоррелированы, вычислительно эффективный метод получения достаточно хороших вероятностных оценок в последующем процессе поиска соответствия состоит в вычислении евклидовых расстояний до соответствующих векторов моделей. Расчет расстояний производится после подходящего взвешивания коэффициентов (параметров). Существует множество способов взвешивания, объединяемых в два основных класса: эмпирические и статистические .

Существуют методики, комбинирующие перечисленные методы и позволяющие почти полностью убрать корреляцию параметров, однако, из-за возрастания вычислительных затрат, в настоящее время использующиеся для демонстрационных целей .

2.2 Перспективы

В настоящее время изучается возможность применения на этапе представления исходного сигнала вэйвлет преобразований и нейросетевых методов, позволяющих производить нелинейные операции с исходным сигналом или с результатами других преобразований. Продолжается разработка представлений, более точно отражающих акустику помещения, а так же восстанавливающих артикуляцию по речевому сигналу.

Современные способы представления сигнала используют лишь форму спектра, не учитывая частоту основного тона. Однако известно, что даже в распознавании отдельных слов частота основного тона может быть ключом к лексической идентификации слов. Это касается не только тональных языков, как китайский, но и европейских, поскольку эта частота связана с лексическим ударением. В связной речи основной тон несет информацию о синтаксической структуре предложения и настроении говорящего . Исследования в этой области будут продолжаться.

3. ПОМЕХОУСТОЙЧИВОЕ РАСПОЗНАВАНИЕ РЕЧИ

3.1 Определение помехоустойчивости

Помехоустойчивость (робастность) в распознавании речи связана с необходимостью обеспечения достаточной точности при дестабилизирующих факторах :

При низком качестве входного речевого сигнала,

При существенных для акустических, артикуляторных и фонетических характеристик речи отличиях между условиями обучения и тестирования (работы).

Источниками этих факторов являются:

Акустические помехи в виде аддитивного шума,

Явления линейной фильтрации,

Нелинейные искажения при преобразованиях и передаче исходного сигнала,

Импульсные помехи,

Изменения в артикуляции диктора, вызванные наличием источников шума.

В современных системах, предназначенных для работы в благоприятных акустических условиях, во многом достигнута независимость от диктора, они компенсируют некоторое ухудшение сигнала из-за шума и неизвестной линейной фильтрации. Однако для приложений, работающих в реальных условиях, необходимость в повышении устойчивости очевидна. Даже лучшие современные системы значительно ухудшают качество работы, если распознаваемый сигнал прошел через телефонный канал или если диктор говорит с акцентом. Далее рассматривается устойчивость к искажениям сигнала, вызванным окружающими, внешними источниками помех. Основными подходами к робастности являются динамическая подстройка параметров, применение микрофонных матриц, обработка сигнала с учетом психологических моделей восприятия.

3.2 Динамическая подстройка параметров

Обычно модели адаптации систем к изменению окружающих условий предполагают, что источниками ухудшения качества речи являются аддитивный шум с неизвестным распределением спектральной плотности мощности или сочетание аддитивного шума и линейной фильтрации. Для компенсации этих помех в системе может осуществляться динамическая подстройка акустических параметров как рассчитанных из распознаваемого, входного сигнала, так и хранимых системой акустических моделей высказываний. Существуют три основных подхода к динамической подстройке параметров:

Использование оптимальной оценки для получения новых значений параметров в условиях тестирования,

Применение компенсации, основанной на эмпирическом сравнении речевого сигнала в условиях обучения и тестирования,

Высокочастотная фильтрация значений параметров.

Оптимальная оценка параметров

Используются два основных подхода к оптимальной оценке .

Первый основан на формальной статистической модели, характеризующей разницу между речью, использовавшейся при обучении системы и речью при тестировании системы. Значения параметров моделей оцениваются по тестовым образцам речи, записанным в различном окружении, после чего модифицируются либо рассчитанные параметры входного сигнала, либо акустические модели речевых единиц, хранящиеся в системе. Опыты показывают, что при таком подходе существенно снижается число ошибок при распознавании речевого сигнала с аддитивным шумом. Однако сколько-нибудь серьезно противостоять ухудшению качества речи в реальных условиях этот подход неспособен.

Второй популярный подход состоит в использовании знаний о шуме, чтобы заставить фонетические модели характеризовать речь с шумом. Знания получаются из имеющихся образцов помех и используются для подстройки параметров фонетических моделей (изменений средних значений и отклонений), рассчитанных из речи без помех. Этот подход реализован в технике, называемой параллельным комбинированием моделей. Он дает хорошие результаты для аддитивных, мультипликативных помех и для реального речевого сигнала. Однако в настоящее время слишком большие вычислительные затраты препятствуют его применению в системах распознавания.

Эмпирическое сравнение параметров

Сравниваются параметры, извлеченные из речи без помех с параметрами такой же речи, записанной с помехами. В этом подходе совместное действие различных помех рассматривается как аддитивные нарушения параметров сигнала. При сравнении параметров рассчитываются корректирующие векторы, использующиеся затем для коррекции либо векторов параметров входного распознаваемого сигнала, либо векторов параметров акустических моделей, хранящихся в распознающей системе.

Точность распознавания повышается, если корректирующие векторы полагаются зависящими от: отношения сигнал/шум, расположения в пространстве параметров в пределах заданного отношения сигнал/шум, или предполагаемого соответствия фонем.

Этот общий подход может быть распространен на случаи, когда тестовое окружение неизвестно априори, путем формирования ансамбля корректирующих векторов для множества различных тестовых внешних условий. Корректирующие векторы затем последовательно применяются к моделям речи, начиная с предположительно наиболее вероятного вектора, до нахождения наиболее точного соответствия вектору, полученному из входного сигнала.

Если условия расчета корректирующих векторов близки реальным условиям работы системы, качество ее работы достаточно высоко. Недостатком является необходимость использования стерео записи для создания базы данных акустических моделей .

Применение фильтров верхних частот

Использование высокочастотной или полосовой фильтрации при расчете кепстральных коэффициентов позволяет при минимуме затрат значительно повысить помехоустойчивость системы. Этот метод реализован в алгоритмах RASTA и CMN. Эти алгоритмы сейчас применяются практически во всех системах, где необходима помехоустойчивость .

3.3 Использование матриц микрофонов

Дополнительное улучшение точности распознавания при малом соотношении сигнал/шум может быть достигнуто с использованием матрицы микрофонов. Такая матрица в принципе может реализовать направленную чувствительность с характеристикой, имеющей максимум в направлении диктора и минимумы - в направлении источников помех, аналогично фазированной антенной решетке в радиосвязи. Изменяя фазировку отдельных элементов с помощью сумматоров и линий задержки, можно точно настроить характеристику направленности при изменении условий работы. Одновременно применяются алгоритмы компенсации спектральной окраски, вносимой самой матрицей. Опыты с микрофонной матрицей в офисной обстановке показали уменьшение нормы ошибки до 61% для помехи в виде источника аддитивного шума .

Несмотря на то, что матрица эффективна при помехе в виде аддитивного, независимого шума, она значительно ухудшает показатели при наличии множества отражающих поверхностей, когда помеха - слегка задержанная и ослабленная часть полезного сигнала.

Более продвинутые системы для компенсации помех, связанных с задержкой сигнала, используют для управления матрицей алгоритмы, основанные на взаимной корреляции. Эти алгоритмы способны усиливать акустическое поле в определенных направлениях. Тем не менее, они лишь незначительно улучшают показатели системы по сравнению с простыми алгоритмами задержки и суммирования.

3.4 Психологически обоснованная обработка сигнала

Обработка исходного речевого сигнала с учетом психологических моделей восприятия имитирует различные аспекты восприятия речи человеком. Такие системы обработки обычно включают набор полосовых фильтров, имитирующих частотную чувствительность слуха человека, за которыми следуют устройства нелинейной обработки сигнала в каналах и между каналами.

Недавние оценки распознающих систем показывают, что модели, имитирующие восприятие, обеспечивают лучшую точность распознавания, чем традиционный кепструм, и в условиях помех, и при разнице в условиях обучения и тестирования. Однако эти модели по показателю качества уступают алгоритмам динамической подстройки параметров, кроме того, динамическая подстройка - менее затратная.

Возможно, что проигрыш имитационных моделей связан с применением для классификации Скрытых Марковских моделей, которые оказываются плохо приспособленными для работы с получаемыми параметрами. Ряд исследователей так же полагает, что еще не найден оптимальный набор параметров, рассчитываемый с помощью этих моделей и максимально точно характеризующий речевой сигнал. Поэтому данное направление продолжает привлекать пристальное внимание исследователей.

3.5 Перспективы

Несмотря на очевидную важность, робастность в распознавании речи лишь недавно привлекла внимание исследователей. Значительный успех достигнут лишь для условий довольно «дружественных» помех, таких, как аддитивный шум или линейная фильтрация. Независимость систем от диктора сейчас распространяется только на носителей языка. Для людей, говорящих с акцентом, точность распознавания существенно ниже, даже при подстройке под диктора.

Речь по телефону

Распознавание телефонной речи затруднено, поскольку каждый телефонный канал имеет свои отношение сигнал/шум и частотную характеристику. Кроме того, искажение речи может быть вызвано кратковременной интерференцией или нелинейностями. Приложения для работы в телефонных линиях должны быть способны адаптироваться к разным каналам при малом количестве данных о канале.

Окружение с высоким уровнем шума

Даже при использовании различных методик компенсации шума, точность распознавания существенно падает при отношении сигнал/шум ниже 15 дБ, тогда как человек способен прекрасно слышать речь при значительно более низом отношении.

Перекрестная помеха

Влияние других разговоров, например в одном помещении или наводки по соседнему телефонному каналу, значительно более сложная задача, чем широкополосная шумовая помеха. До сих пор усилия по использованию информации, отличающей распознаваемую речь от мешающей, к существенным результатам не привели.

Быстрая адаптация к акценту в речи

В современном, быстро меняющемся обществе серьезные языковые приложения должны одинаково хорошо понимать как людей, говорящих без акцента, так и с акцентом.

Разработка принципов создания речевых баз данных

Прогресс в помехоустойчивом распознавании будет зависеть так же от разработки принципов создания речевых баз данных и непосредственно от создания таких баз данных. Для этого необходимо собрать, обработать и структурировать множество образцов искажений и помех, свойственных практическим задачам.

4. АКУСТИЧЕСКИЕ МОДЕЛИ

4.1 Место акустической модели в системе

Современные системы распознавания речи реализованы главным образом как программные продукты, генерирующие гипотезы о произносимых последовательностях слов по входному сигналу. Использующиеся в таких системах алгоритмы основаны на статистических методах.

Вектор yt акустических параметров рассчитывается по входному сигналу каждые 10-30 мс. Последовательности этих векторов рассматриваются как наблюдаемые последовательности, генерируемые фонетическими моделями. Исходя из этого рассчитывается вероятность p(ylT/W) наблюдения последовательности векторов ylT при произнесении последовательности (слова) W, другими словами - вероятность генерирования последовательности ylT моделью W. Задавшись последовательностью ylT, можно в ходе поиска по правилу:

найти наиболее вероятную последовательность слов, сгенерировавшую ylT. Эта поисковая процедура находит последовательность слов, имеющую максимальную апостериорную вероятность. Вероятность p(ylT/W) рассчитывается акустической моделью, а p(W) - языковой моделью.

Для систем с большим словарем поиск состоит из двух этапов. На первом, в ходе расчета приблизительных вероятностей в реальном масштабе времени по упрощенным моделям, генерируется решетка из n лучших последовательностей слов. На втором этапе рассчитываются более точные вероятности при ограниченном числе гипотез. Некоторые системы генерируют вероятную последовательность слов за один шаг.

4.2 Акустические модели на основе цепей Маркова

Акустические модели являются элементарными вероятностными моделями базовых лингвистических единиц (т.е. фонем) и используются для представления единиц следующего уровня - слов.

Последовательность акустических параметров, полученная из произнесенной фразы, рассматривается как реализация совокупности процессов, описываемых с помощью Скрытых Марковских моделей (СММ). СММ - совокупность двух случайных процессов:

Скрытой цепи Маркова, отвечающей за изменения во времени,

Множества наблюдаемых стационарных процессов, отвечающих за спектральные изменения.

СММ доказала на практике, что в состоянии справиться с основными источниками неоднозначности речевого сигнала, например вариациями в произнесении фонемы, позволяя при этом создавать системы со словарем из десятков тысяч слов.

Структура СММ

Модель определяется как пара случайных процессов (Х, У). Процесс Х - цепь Маркова первого порядка, реализации которой не наблюдаются непосредственно. Реализации процесса У берут свои значения из пространства акустических параметров, наблюдаются непосредственно, а их распределения зависят от реализаций процесса Х .

СММ характеризуется двумя формальными предположениями. Первое касается цепи Маркова и гласит, что следующее состояние цепи определяется только текущим состоянием и не зависит от предшествующей траектории. Второе гласит, что текущее распределение процесса У, откуда берется наблюдаемое значение акустического параметра, зависит только от текущего состояния цепи Маркова (процесса Х), а не от предыдущих траекторий процессов Х и У.

В приложении 1 приведены математическое определение модели, пример генерирования наблюдаемой последовательности и расчетные формулы.

Для переоценки параметров модели в ходе ее обучения используется алгоритм Баума-Уэлша, основанный на переоценке вероятности по формуле Байеса.

СММ можно классифицировать по элементам матрицы В, которые по своей природе являются функциями распределения.

Если функции распределения определены на конечном пространстве, то модель будет дискретной. В этом случае наблюдаемая реализация - вектор значений из конечного алфавита в М элементов. Для каждого элемента вектора Q, выбираемого из множества V, определена ненулевая дискретная плотность {w(k)/k=1,…,M}, формирующая распределение. Такое определение предполагает независимость элементов множества V.

Если распределения определены как плотности вероятности на непрерывном пространстве, то модель будет непрерывной. В этом случае к функциям распределения предъявляются требования с целью ограничения числа оцениваемых параметров до приемлемых пределов. Наиболее популярный подход состоит в использовании линейной комбинации плотностей g из семейства G стандартных распределений с простой параметрической формой. Обычно в качестве g используется многомерное нормальное распределение, характеризующееся вектором математического ожидания и ковариационной матрицей. Число стандартных распределений, участвующих в линейной комбинации при формировании результирующего распределения, обычно ограничивается вычислительными возможностями и имеющимся объемом учебных данных .

Настройка параметров распределений в ходе обучения непрерывной модели требует большого числа учебных образцов. При их недостатке прибегают к использованию псевдонепрерывной модели, в которой для формирования линейной комбинации используется стандартный набор базовых плотностей. Линейные комбинации отличаются друг от друга только весовыми коэффициентами. Общий подход состоит в связывании каждой координаты входного вектора со своим, отличающимся от других, набором базовых плотностей.

4.3 Моделирование слов

Фонетическая декомпозиция

Слово обычно представляется сетью фонем. Каждый путь в сети представляет вариант произношения слова .

Одна и та же фонема, произнесенная в разных контекстах, может иметь отличающиеся акустические параметры, а значит моделироваться разными распределениями. Аллофоны - модели, представляющие фонему в разных контекстах. Решение, сколько аллофонов будут представлять конкретную фонему, зависит от многих факторов, основной из которых - количество обучающих данных для настройки параметров акустической модели.

Существует несколько разновидностей аллофонной модели. Одна из них - полифоны. В принципе произнесение фонемы отличается во всех словах, где она встречается, поэтому требует разных аллофонов. При большом объеме словаря, обучить такую модель практически невозможно из-за недостатка обучающих данных. Поэтому используется представление аллофонов на нескольких уровнях детализации: слово, слог, трифон, дифон, контекстно-независимая фонема. Вероятностные распределения аллофонов на разных уровнях детализации могут быть получены комбинированием распределений более детальных уровней представлений. Потеря особенностей компенсируется улучшением оценки статистических параметров модели при ее обучении благодаря возрастанию отношения объема обучающих данных к числу оцениваемых параметров модели.

Другая разновидность заключается в кластеризации аллофонов по некоторому числу возможных классов контекстов. Поиск класса проводится автоматически, с помощью классификационно-регрессионного дерева (CART). Это - бинарное дерево, в корне находится фонема, с каждым узлом ассоциирован вопрос о контексте типа: «Предыдущая фонема носовая согласная?» Для каждого возможного ответа (да, нет) существует ветвь к другому узлу. Листьями дерева являются аллофоны. Существуют алгоритмы роста и обрезки CART, автоматически связывающие с узлами вопросы из созданного вручную пула .

Каждый аллофон в системах распознавания моделируется с помощью СММ. В общем, все модели могут быть построены с использованием распределений, взятых из одного, разделяемого пула или до нескольких тысяч кластеров, называемых сенонами.

Модели аллофонов более высокого уровня, например слов, могут быть так же построены конкатенацией базовых моделей с помощью связующих переходов и распределений. Такие строительные блоки называют фенонами и мультонами.

Другой подход к моделированию слов состоит в использовании кодовой книги - набора эталонных признаков, являющихся ее словами. По входному вектору параметров сигнала находится наиболее близкий эталонный признак из кодовой книги, которому соответствует свой номер. Для кодовой книги используется стандартный набор базовых плотностей, слова представляются последовательностями номеров признаков. Каждая последовательность номеров затем моделируется с помощью СММ .

Определение границ и вероятностей слов

В общем, речевой сигнал и его представления не дают четких указаний на границы между словами, следовательно, определение границы слов является частью процесса выдвижения гипотезы, выполняемого как поиск. В ходе этого процесса модели слов сравниваются с последовательностью акустических параметров. В вероятностных рамках сравнение акустических последовательностей с моделями включает расчет вероятности генерирования данной последовательности данной моделью, т.е. расчет p(ylT/W). Это - ключевая составляющая процесса распознавания.

При заданной временной последовательности: 1, 2, …, t, t+1, …, T-1, T :

Вероятность dt(i) того, что к моменту t наблюдалась последовательность o1,o2…ot и модель находится в состоянии Si (forward algorithm):

для всех 1?i?N, 1?j?N, t = 1,2,…,T-1:

при t = 1: d1(i) = пi bi(o1);(4.2)

при t > 1: dt(j) = .(4.3)

Вероятность ft(i) наблюдения последовательности ot+1,ot+2,…oT начиная с момента t+1до Т при условии, что в момент t модель находится в состоянии Si (backward algorithm):

для всех 1?i?N, 1?j?N, t = T-1,T-2,…,1:

при t = T: fT(i) = 1;(4.4)

при t < T: ft(i) = .(4.5)

Полная вероятность того, что модель за Т тактов пройдет какую-либо траекторию (вероятность соответствия последовательности и модели) можно рассчитать тремя способами:

P(O/л) = ;(4.6)

P(O/л) = ;(4.7)

P(Q/л) = dt(i) ft(i) = .(4.8)

Пример расчета вероятности приведен в приложении 2.

Для расчетов используются модели в виде линейной последовательности состояний, имеющие начало и конец. Переходы возможны только на месте и от начала к концу без перескока через состояния. Перед расчетом соответствия исходная последовательность векторов параметров делится на сегменты, равные по длине данной модели.

4.4 Перспективы

Достигнутые в последние годы значительные успехи в акустическом моделировании позволили реализовать хорошее качество распознавания при использовании большого словаря в реальном масштабе времени, при этом расходуя приемлемое количество ресурсов. Однако существует ряд аспектов, требующих улучшения. В первую очередь это касается адаптации к разным дикторам и разному акустическому окружению, в том числе и при наличии помех. Существуют так же трудности с обработкой заиканий, фальстартов, отсутствующих в словаре слов и других особенностей, присущих спонтанной речи.

Основными направлениями современных исследований являются акустическая помехоустойчивость, улучшение систем акустических параметров и моделей, работа с большим лексиконом, поддержка нескольких контекстов и нескольких языков, разработка методов автоматического обучения систем.

5. ЯЗЫКОВЫЕ МОДЕЛИ

5.1 Место языковой модели в системе

Системы распознавания речи преобразуют акустический сигнал в орфографическое представление произносимого высказывания. Распознаватель строит гипотезы, пользуясь конечным словарем. Для простоты предполагается, что слово однозначно определяется своим произношением.

Значительный прогресс в решении проблемы распознавания достигнут с началом использования статистической модели совместного распределения p(W,O) последовательности произносимых слов W и соответствующей акустической последовательности О. Этот подход впервые был применен компанией IBM под названием “source-channel model” (модель источник-канал). В ней определяется оценка соответствия выбранной словарной последовательности наблюдавшемуся акустическому факту О с помощью апостериорного распределения p(W/O) .

Для минимизации ошибки система выбирает словарную последовательность, максимизирующую это апостериорное распределение:

где p(W) - вероятность последовательности слов W, p(O/W) - вероятность наблюдения акустической последовательности О при произнесении последовательности слов W, p(O) - полная вероятность наблюдения последовательности О по всем имеющимся акустическим моделям. p(O/W) = p(ylT/W) = P(O/ л) и рассчитывается на этапе акустического моделирования с помощью СММ и называется каналом. p(O) полагается равной 1. Априорная вероятность p(W) рассчитывается с помощью языковой модели (ЯМ).

Аналогичная модель распознавания применяется для распознавания печатных и рукописных текстов .

5.2 Языковая модель на основе триграмм

Для заданной последовательности слов W={w1,…,wn} ее вероятность можно представить как:

w0 определяется подходящим для обеспечения начальных условий. Вероятность каждого следующего слова wi зависит от уже произнесенной последовательности hi. При таком определении сложность модели растет экспоненциально с ростом произнесенной последовательности слов. Чтобы упростить модель, сделав ее пригодной для практики, предполагается, что только некоторые аспекты истории влияют на вероятность следующего слова. Один из способов достичь этого - использовать некоторую операцию ц(), разделяющую историческое пространство на К эквивалентных классов. Далее можно применить модель:

Наибольший успех в последние 20 лет достигнут с помощью простых моделей n-грамм. Чаще всего применяются триграммы, где только два предыдущие слова определяют вероятность следующего слова. В этом случае вероятность последовательности слов выглядит так:

Для оценки априорных вероятностей p(W) ЯМ необходим большой объем обучающего текстуального материала. В ходе оценки рассчитываются частоты:

где с123 - число появлений последовательности слов {w1, w2, w3}, с12 - число появлений последовательности {w1, w2,}. Для словаря объема V существует V3 возможных триграмм, при словаре 20 тыс. слов - 8 трлн. Очевидно, что многие из этих триграмм не встретятся в обучающих последовательностях, поэтому для них f3(w3/w1, w2) = 0. Чтобы соответствующие вероятности не были равны нулю, проводится линейная интерполяция частот триграмм, биграмм и слов, а так же их равномерное распределение на словаре:

f1() и f2() оцениваются подсчетом соответствующих биграмм и триграмм. Коэффициенты л линейной интерполяции оцениваются поиском максимума вероятности для новых данных, не участвовавших в подсчете частот n-грамм. При максимизации используется forward-backward алгоритм (формулы (4.2) - (4.5)).

В общем случае может использоваться более одного л вектора. Так же целесообразно учесть большее доверие частотам триграмм, оцененным на большем количестве обучающих последовательностей. Для этого весовые коэффициенты л делаются зависимыми от групп биграмм и слов b(c12, c2), составляющих историю для рассматриваемого слова. Этот метод называется deleted interpolation . Применяются и другие сглаживающие схемы. При моделировании языка с помощью триграмм объем словарных данных обычно колеблется от 1 млн. до 500 млн. слов при соответственном объеме словаря от 1 тыс. до 267 тыс. слов.

5.3 Сложность (перплексность)

Для сравнения распознающих систем можно использовать норму ошибки. Этот показатель лучше всего оценивает языковые модели. Однако есть менее затратный способ оценки ЯМ. В нем используется величина, характеризующая количество информации - энтропия. Идея заключается в расчете энтропии для нового, не использовавшегося при создании модели текста. Сравнивается словарная энтропия, рассчитанная непосредственно по тексту, с энтропией, рассчитанной по ЯМ. Та ЯМ, чья энтропия будет ближе всего к текстовой, и будет лучшей .

Обозначим как р(х) правильное распределение вероятности слов в сегменте текста х, состоящем из k слов. Определим энтропию текста по словарному базису как:

Если слова в тексте равновероятны, а размер текста - V, тогда H=log2V, для других распределений H?log2V. Для определения вероятности в сегменте текста можно использовать ЯМ. Значение логарифма вероятности для ЯМ составляет:

где pЮ(wi/hi) - вероятности, определенные данной ЯМ. Предел, т.е. рассчитанный по ЯМ, - не ниже энтропии текста. Очевидно, что цель сравнения разных ЯМ - найти такую, для которой логарифм вероятности, рассчитанный по ЯМ, будет ближе всего к энтропии, рассчитанной по тексту.

Перплексность характеризует уровень логарифма вероятности ЯМ и определяется как 2lp. Грубо говоря, это - средний объем словаря, из которого выбирается очередное слово при распознавании. Перплексность зависит от использующегося речевого домена. Значения перплексности для некоторых речевых доменов приведены в таблице 5.1 .

речь распознавание акустический языковый

Таблица 5.1. Перплексность речевых доменов

5.4 Объем словаря

Норма ошибки не может быть ниже, чем процент произнесенных слов, не входящих в словарь. Поэтому основная часть построения ЯМ заключается в разработке словаря, максимально охватывающего тексты, которые, вероятно, будет распознавать система. Это остается задачей, решаемой людьми.

При создании словаря сначала подбираются тексты, характеризующие задачу, с которой будет работать система. Затем тексты с помощью средств автоматизации делятся на слова. Далее каждому слову сопоставляется набор его вариантов произношения, включая возможные будущие варианты. Все полученные варианты произношения используются для составления триграмм.

В таблице 5.2 приводится процент охвата распознающей системой новых текстов в английском языке, при использовании словаря фиксированного объема. У языков с большим числом форм слова и зависимостями в словообразовании (немецкий, французский), для такой же степени охвата требуется словарь значительно большего размера.

Более рациональный подход предусматривает составление персонифицированного словаря для каждого пользователя распознающей системы в дополнение к фиксированному словарю. Таблица 5.2 представляет рост охвата новых слов такой, динамически настраиваемой системой при начальном, фиксированном объеме словаря 20 тыс. слов. Данные сравниваются с системой, использующей статический словарь того же объема при распознавании текста представленной длины .

Таблица 5.2. Качество распознавания новых текстов

5.5 Усовершенствованные языковые модели

Существует множество усовершенствований ЯМ на основе триграмм. Основные из них упомянуты ниже .

Модели классов

Вместо слов в языковой модели можно использовать набор классов слов. Классы могут пересекаться, поскольку слово может принадлежать разным классам. Классы могут основываться на частях речи, морфологическом анализе слова, могут определяться автоматически по статистическим связям. Общая модель классов выглядит так:

где ci - классы. Если классы не пересекаются, то:

Перплексность такой модели выше, чем у основанной на триграммах, однако она снижается при комбинировании моделей этих двух типов.

Динамические модели

Здесь учитывается прошлое, продолжительностью во весь документ. Это делается для обнаружения часто встречающихся слов (например, в этом тексте часто встречающимся является слово «модель»). Использование КЭШа для таких слов позволяет придать ЯМ большую динамику, сокращая время поиска.

Комбинационные модели

Еще один подход состоит в разделении всей речевой базы на несколько кластеров. Для моделирования нового текста используется линейная комбинация триграммных моделей из разных кластеров:

где pj() оценивается по j - му текстовому кластеру.

Структурные модели

В этих моделях вместо влияния на вероятность слова ближайшей предшествующей истории, используется синтаксический разбор. С помощью такого разбора устанавливается связь между удаленными словами, что недавно было предложено учитывать при составлении удаленных биграмм.

5.6 Перспективы

Основными областями, где сейчас сосредоточены усилия, являются :

Выбор словаря

Как определить словарь нового речевого домена, практически персонализировать словарь для пользователя, сделав охват текста максимальным. Эта проблема наиболее существенна для языков с большим числом форм слова и восточных языков, где понятие слова определено нечетко.

Адаптация речевого домена

Это задача настройки эффективной ЯМ для доменов, не обладающих большим объемом словарных данных, доступных машине, а так же определения темы разговора. Это позволило бы применить для распознавания речи специфическую, тематическую модель.

Использование структуры языка

Современный уровень оценки качества работы системы не позволяет улучшать работу системы, используя структуру языка. Разработка языковой модели, основанной на структуре языка, может стать ключом к прогрессу в языковом моделировании. Современные достижения, основанные на вероятностных моделях, отражают детский этап в развитии моделирования языка. Прогресс здесь связан с ростом структуризации данных.

ЗАКЛЮЧЕНИЕ

В данной работе рассмотрены основные принципы построения систем распознавания речи на современном этапе развития, их классификация, решаемые ими задачи. Рассмотрен современный подход к помехоустойчивости систем.

Представлена структура системы, основные задачи, решаемые ее компонентами, принципы предварительной обработки исходного сигнала, построения акустических и языковых моделей,

Подобные документы

Цифровая обработка сигналов и ее использование в системах распознавания речи, дискретные сигналы и методы их преобразования, основы цифровой фильтрации. Реализация систем распознавания речи, гомоморфная обработка речи, интерфейс записи и воспроизведения.

дипломная работа , добавлен 10.06.2010


Преимущества радиоканальных охранных систем. Основные направления кодирования речи: кодирование формы (Waveform coding) и источника сигнала (Source coding). Структурная схема процесса обработки речи в стандарте GSM. Оценка качества кодирования речи.

реферат , добавлен 20.10.2011


Задачи при передаче речи и данных. Цифровая передача речи. Категории методов цифрового кодирования речи. Кодеры формы сигнала. Вид амплитудной характеристики компрессора. Дискретная модель речеобразования. Особенности метода кратковременного анализа.

контрольная работа , добавлен 18.12.2010


Рассмотрение основных этапов в решении задачи оптимизации приема сигнала. Изучение методов фильтрации и оптимизации решений. Вероятностный подход к оценке приёма сигнала; определение вероятности ошибок распознавания. Статические критерии распознавания.

презентация , добавлен 28.01.2015


Кодирование речи RPE – LTP – кодер на 16 кбит/с. Структура декодера речи в стандарте GSM. Коэффициенты отражения кратковременного предсказания по методу Берга для РФ 8-го порядка. Спектральная характеристика постфильтра. Формирование формантных областей.

реферат , добавлен 15.11.2010


Структурные схемы гомоморфной обработки и анализа речевых сигналов. Комплексный кепстр речи. Компонент речевого сигнала. Период основного тона и частоты формант. Модуль передаточной функции речевого тракта. Оценивание основного тона на основе кепстра.

реферат , добавлен 19.11.2008


Общая классификация систем и сетей радиодоступа. Классификация систем радиодоступа по параметрам и характеристикам радиоинтерфейса. Системы с аналоговой и цифровой передачей. Услуги цифровой передачи речи. Классификация по решаемым прикладным задачам.

реферат , добавлен 06.10.2010


Состояние проблемы автоматического распознавания речи. Обзор устройств чтения аудио сигналов. Архитектура системы управления периферийными устройствами. Схема управления электрическими устройствами. Принципиальная схема включения электрических устройств.

дипломная работа , добавлен 18.10.2011


Информационные характеристики и структурная схема системы передачи; расчет параметров аналого-цифрового преобразователя и выходного сигнала. Кодирование корректирующим кодом. Определение характеристик модема; сравнение помехоустойчивости систем связи.

курсовая работа , добавлен 28.05.2012


Структура устройств обработки радиосигналов, внутренняя структура и принцип работы, алгоритмами обработки сигнала. Основание формирование сигнала на выходе линейного устройства. Модели линейных устройств. Расчет операторного коэффициента передачи цепи.

Энергия Солнца является источником жизни на нашей планете. Солнце нагревает атмосферу и поверхность Земли. Благодаря солнечной энергии дуют ветры, осуществляется круговорот воды в природе, нагреваются моря и океаны, развиваются растения, животные имеют корм. Именно благодаря солнечному излучению на земле существуют ископаемые виды топлива. Солнечная энергия может быть преобразована в теплоту или холод, движущую силу и электричество.

СОЛНЕЧНАЯ РАДИАЦИЯ

Солнечная радиация - это электромагнитное излучение, сосредоточенное в основном в диапазоне волн длиной 0,28…3,0 мкм. Солнечный спектр состоит из:

Ультрафиолетовых волн длиной 0,28…0,38 мкм, невидимых для наших глаз и составляющих приблизительно 2 % солнечного спектра;

Световых волн в диапазоне 0,38 … 0,78 мкм, составляющих приблизительно 49 % спектра;

Инфракрасных волн длиной 0,78…3,0 мкм, на долю которых приходится большая часть оставшихся 49 % солнечного спектра.

Остальные части спектра играют незначительную роль в тепловом балансе Земли.

СКОЛЬКО СОЛНЕЧНОЙ ЭНЕРГИИ ПОПАДАЕТ НА ЗЕМЛЮ?

Солнце излучает огромное количество энергии - приблизительно 1,1x10 20 кВт ч в секунду. Киловатт час - это количество энергии, необходимое для работы лампочки накаливания мощностью 100 ватт в течение 10 часов. Внешние слои атмосферы Земли перехватывают приблизительно одну миллионную часть энергии, излучаемой Солнцем, или приблизительно 1500 квадрильонов (1,5 x 10 18) кВт ч ежегодно. Однако из-за отражения, рассеивания и поглощения ее атмосферными газами и аэрозолями только 47% всей энергии, или приблизительно 700 квадрильонов (7 x 10 17) кВт ч, достигает поверхности Земли.

Солнечное излучение в атмосфере Земли делится на так называемое прямое излучение и на рассеянное на частицах воздуха, пыли, воды, и т.п., содержащихся в атмосфере. Их сумма образует суммарное солнечное излучение. Количество энергии, падающей на единицу площади в единицу времени, зависит от ряда факторов:

широты, местного климата, сезона года, угла наклона поверхности по отношению к Солнцу.

ВРЕМЯ И МЕСТО

Количество солнечной энергии, падающей на поверхность Земли, изменяется вследствие движения Солнца. Эти изменения зависят от времени суток и времени года. Обычно в полдень на Землю попадает больше солнечной радиации, чем рано утром или поздно вечером. В полдень Солнце находится высоко над горизонтом, и длина пути прохождения лучей Солнца через атмосферу Земли сокращается. Следовательно, меньше солнечной радиации рассеивается и поглощается, а значит больше достигает земной поверхности.

Количество солнечной энергии, достигающей поверхности Земли, отличается от среднегодового значения: в зимнее время - менее чем на 0,8 кВт ч/м² в день на Севере (широта 50˚) и более чем на 4 кВт ч /м² в день в летнее время в этом же регионе. Различие уменьшается по мере приближения к экватору.

Количество солнечной энергии зависит и от географического месторасположения участка: чем ближе к экватору, тем оно больше. Например, среднегодовое суммарное солнечное излучение, падающее на горизонтальную поверхность, составляет: в Центральной Европе, Средней Азии и Канаде - приблизительно 1000 кВт ч/м²; в Средиземноморье - приблизительно 1700 кВт ч /м²; в большинстве пустынных регионов Африки, Ближнего Востока и Австралии - приблизительно 2200 кВт ч/м².

Таким образом, количество солнечной радиации существенно различается в зависимости от времени года и географического положения (см. таблицу 1). Этот фактор необходимо учитывать при использовании солнечной энергии.

Таблица 1

ОБЛАКА

Количество солнечной радиации, достигающее поверхности Земли, зависит от различных атмосферных явлений и от положения Солнца как в течение дня, так и в течение года. Облака - основное атмосферное явление, определяющее количество солнечной радиации, достигающей поверхности Земли. В любой точке Земли солнечная радиация, достигающая поверхности Земли, уменьшается с увеличением облачности. Следовательно, страны с преобладающей облачной погодой получают меньше солнечной радиации, чем пустыни, где погода в основном безоблачная. На формирование облаков оказывает влияние наличие таких особенностей местного рельефа, как горы, моря и океаны, а также большие озера. Поэтому количество солнечной радиации, полученной в этих областях и прилегающих к ним регионах, может отличаться. Например, горы могут получить меньше солнечного излучения, чем прилегающие предгорья и равнины. Ветры, дующие в сторону гор, вынуждают часть воздуха подниматься и, охлаждая влагу, находящуюся в воздухе, формируют облака. Количество солнечной радиации в прибрежных районах также может отличаться от показателей, зафиксированных в областях, расположенных внутри континента.

Количество солнечной энергии, поступающей в течение дня, в значительной степени зависит от местных атмосферных явлений. В полдень при ясном небе суммарное солнечное излучение, попадающее на горизонтальную поверхность, может достигнуть (например, в Центральной Европе) значения в 1000 Вт/м² (при очень благоприятных погодных условиях этот показатель может быть выше), в то время, как при очень облачной погоде - ниже 100 Вт/м² даже в полдень.

ЗАГРЯЗНЕНИЕ

Антропогенные и природные явления также могут ограничивать количество солнечной радиации, достигающей поверхности Земли. Городской смог, дым от лесных пожаров и переносимый по воздуху пепел, образовавшийся в результате вулканической деятельности, снижают возможность использования солнечной энергии, увеличивая рассеивание и поглощение солнечной радиации. То есть, эти факторы в большей степени влияют на прямое солнечное излучение, чем на суммарное. При сильном загрязнении воздуха, например, при смоге, прямое излучение уменьшается на 40%, а суммарное - лишь на 15-25%. Сильное вулканическое извержение может понизить, причем на большой территории поверхности Земли, прямое солнечное излучение на 20%, а суммарное - на 10% на период от 6 месяцев до 2 лет. При уменьшении количества вулканического пепла в атмосфере эффект ослабевает, но процесс полного восстановления может занять несколько лет.

ПОТЕНЦИАЛ

Солнце обеспечивает нас в 10 000 раз большим количеством бесплатной энергии, чем фактически используется во всем мире. Только на мировом коммерческом рынке покупается и продается чуть меньше 85 триллионов (8,5 x 10 13) кВт ч энергии в год. Поскольку невозможно проследить за всем процессом в целом, нельзя с уверенностью сказать, сколько некоммерческой энергии потребляют люди (например, сколько древесины и удобрения собирается и сжигается, какое количество воды используется для производства механической или электрической энергии). Некоторые эксперты считают, что такая некоммерческая энергия составляет одну пятую часть всей используемой энергии. Но даже если это так, то общая энергия, потребляемая человечеством в течение года, составляет только приблизительно одну семитысячную часть солнечной энергии, попадающей на поверхность Земли в тот же период.

В развитых странах, например, в США, потребление энергии составляет примерно 25 триллионов (2.5 x 10 13) кВт ч в год, что соответствует более чем 260 кВт ч на человека в день. Данный показатель является эквивалентом ежедневной работы более чем ста лампочек накаливания мощностью 100 Вт в течение целого дня. Среднестатистический гражданин США потребляет в 33 раза больше энергии, чем житель Индии, в 13 раз больше, чем китаец, в два с половиной раза больше, чем японец и вдвое больше, чем швед.

Количество солнечной энергии, попадающей на поверхность Земли, во много раз превышает ее расход даже в таких странах как США, где энергопотребление огромно. Если бы только 1% территории страны был использован для установки солнечного оборудования (фотоэлектрические батареи или солнечные системы для горячего водоснабжения), работающего с КПД 10%, то США были бы полностью обеспечены энергией. То же самое можно сказать и в отношении всех других развитых стран. Однако, в определенном смысле, это нереально - во-первых, из-за высокой стоимости фотоэлектрических систем, во-вторых, невозможно охватить такие большие территории солнечным оборудованием, не нанося вред экосистеме. Но сам принцип является верным. Можно охватить ту же самую территорию, рассредоточив установки на крышах зданий, на домах, по обочинам, на заранее определенных участках земли и т.д. К тому же, во многих странах уже более 1% земли отведено под добычу, преобразование, производство и транспортировку энергии. И, поскольку большая часть этой энергии является не возобновляемой в масштабе существования человечества, этот вид производства энергии намного более вреден для окружающей среды, чем солнечные системы.

ИСПОЛЬЗОВАНИЕ СОЛНЕЧНОЙ ЭНЕРГИИ

В большинстве стран мира количество солнечной энергии, попадающей на крыши и стены зданий, намного превышает годовое потребление энергии жителями этих домов. Использование солнечного света и тепла - чистый, простой, и естественный способ получения всех форм необходимой нам энергии. При помощи солнечных коллекторов можно обогреть жилые дома и коммерческие здания и/или обеспечить их горячей водой. Солнечный свет, сконцентрированный параболическими зеркалами (рефлекторами), применяют для получения тепла (с температурой до нескольких тысяч градусов Цельсия). Его можно использовать для обогрева или для производства электроэнергии. Кроме этого, существует другой способ производства энергии с помощью Солнца - фотоэлектрические технологии. Фотоэлектрические элементы - это устройства, которые преобразовывают солнечную радиацию непосредственно в электричество.

Солнечная радиация может быть преобразована в полезную энергию, используя так называемые активные и пассивные солнечные системы. К активным солнечным системам относятся солнечные коллекторы и фотоэлектрические элементы. Пассивные системы получаются с помощью проектирования зданий и подбора строительных материалов таким образом, чтобы максимально использовать энергию Солнца.

Солнечная энергия преобразуется в полезную энергию и косвенным образом, трансформируясь в другие формы энергии, например, энергию биомассы, ветра или воды. Энергия Солнца "управляет" погодой на Земле. Большая доля солнечной радиации поглощается океанами и морями, вода в которых нагревается, испаряется и в виде дождей выпадает на землю, "питая" гидроэлектростанции. Ветер, необходимый ветротурбинам, образуется вследствие неоднородного нагревания воздуха. Другая категория возобновляемых источников энергии, возникающих благодаря энергии Солнца - биомасса. Зеленые растения поглощают солнечный свет, в результате фотосинтеза в них образуются органические вещества, из которых впоследствии можно получить тепловую и электрическую энергию. Таким образом, энергия ветра, воды и биомассы является производной солнечной энергии.

ПАССИВНОЕ ИСПОЛЬЗОВАНИЕ СОЛНЕЧНОЙ ЭНЕРГИ

Пассивные солнечные здания - это те, проект которых разработан с максимальным учетом местных климатических условий, и где применяются соответствующие технологии и материалы для обогрева, охлаждения и освещения здания за счет энергии Солнца. К ним относятся традиционные строительные технологии и материалы, такие как изоляция, массивные полы, обращенные к югу окна. Такие жилые помещения могут быть построены в некоторых случаях без дополнительных затрат. В других случаях возникшие при строительстве дополнительные расходы могут быть скомпенсированы снижением энергозатрат. Пассивные солнечные здания являются экологически чистыми, они способствуют созданию энергетической независимости и энергетически сбалансированному будущему.

В пассивной солнечной системе сама конструкция здания выполняет роль коллектора солнечной радиации. Это определение соответствует большинству наиболее простых систем, где тепло сохраняется в здании благодаря его стенам, потолкам или полам. Есть также системы, где предусмотрены специальные элементы для накопления тепла, вмонтированные в конструкцию здания (например, ящики с камнями или заполненные водой баки или бутыли). Такие системы также классифицируются как пассивные солнечные. Пассивные солнечные здания - идеальное место для жизни. Здесь полнее ощущается связь с природой, в таком доме много естественного света, в нем экономится электроэнергия.

ИСТОРИЯ

Исторически сложилось так, что на проектирование зданий влияли местные климатические условия и доступность строительных материалов. Позднее человечество отделило себя от природы, идя по пути господства и контроля над ней. Этот путь привел к однотипному стилю зданий практически для любой местности. В 100 году н. э. историк Плиний Младший построил летний домик в Северной Италии, в одной из комнат которого были окна из тонкой слюды. Комната была теплее других, и для ее обогрева требовалось меньше дров. В известных римских банях в I-IV ст. н. э. специально устанавливались большие окна, выходящие на юг, для того чтобы больше солнечного тепла поступало в здание. К VI ст. солнечные комнаты в домах и общественных зданиях стали настолько обычны, что Джастиниан Коуд ввел "право на солнце", чтобы гарантировать индивидуальный доступ к солнцу. В XIX веке были очень популярны оранжереи, в которых было модно прогуливаться под сенью пышной растительной листвы.

Из-за перебоев с электроэнергией во время второй мировой войны к концу 1947 года в Соединенных Штатах здания, пассивно использующие солнечную энергию , пользовались таким огромным спросом, что "Libbey-Owens-Ford Glass Company" издала книгу под названием "Ваш Солнечный Дом", в которой были представлены 49 лучших проектов солнечных зданий. В середине 50-х годов ХХ века, архитектор Франк Брайдджерс разработал первое в мире пассивное солнечное здание для офисного помещения. Установленная в нем солнечная система для горячего водоснабжения работает с того времени бесперебойно. Само же здание "Брайдджерс-Пэкстон" занесено в национальный исторический регистр страны как первое в мире офисное здание, обогреваемое при помощи энергии Солнца.

Низкие цены на нефть после второй мировой войны отвлекли внимание населения от солнечных зданий и вопросов энергоэффективности. Начиная с середины 1990-х, рынок меняет свое отношение к экологии и использованию возобновляемой энергии , и в строительстве появляются тенденции, для которых характерно сочетание проекта будущего здания с окружающей природой.

ПАССИВНЫЕ СОЛНЕЧНЫЕ СИСТЕМЫ

Существует несколько основных способов пассивного использования солнечной энергии в архитектуре. Используя их, можно создать множество различных схем, тем самым получая разнообразные проекты зданий. Приоритетами при постройке здания с пассивным использованием солнечной энергии являются: удачное расположение дома; большое количество окон, обращенных к югу (в Северном полушарии), чтобы пропускать больше солнечного света в зимнее время (и наоборот, небольшое количество окон, обращенных на восток или запад, чтобы ограничить поступление нежелательного солнечного света в летнее время); правильный расчет тепловой нагрузки на внутренние помещения, чтобы избежать нежелательных колебаний температуры и сохранять тепло в ночное время, хорошо изолированная конструкция здания.

Расположение, изоляция, ориентация окон и тепловая нагрузка на помещения должны представлять собой единую систему. Для уменьшения колебаний внутренней температуры изоляция должна быть помещена с внешней стороны здания. Однако в местах с быстрым внутренним обогревом, где требуется немного изоляции, или с низкой теплоемкостью, изоляция должна быть с внутренней стороны. Тогда дизайн здания будет оптимальным при любом микроклимате. Стоит отметить и тот факт, что правильный баланс между тепловой нагрузкой на помещения и изоляцией ведет не только к сбережению энергии, но также и к экономии строительных материалов.

АКТИВНЫЕ СОЛНЕЧНЫЕ СИСТЕМЫ

Во время проектирования здания также следует учитывать применение активных солнечных систем, таких как солнечные коллекторы и фотоэлектрические батареи. Это оборудование устанавливается на южной стороне здания. Чтобы максимизировать количество тепла в зимнее время, солнечные коллекторы в Европе и Северной Америке должны устанавливаться с углом наклона более 50° от горизонтальной плоскости. Неподвижные фотоэлектрические батареи получают в течение года наибольшее количество солнечной радиации, когда угол наклона относительно уровня горизонта равняется географической широте, на которой расположено здание. Угол наклона крыши здания и его ориентация на юг являются важными аспектами при разработке проекта здания. Солнечные коллекторы для горячего водоснабжения и фотоэлектрические батареи должны быть расположены в непосредственной близости от места потребления энергии. Главным критерием при выборе оборудования является его эффективность.

СОЛНЕЧНЫЕ КОЛЛЕКТОРЫ

С древнейших времен человек использует энергию Солнца для нагрева воды. В основе многих солнечных энергетических систем лежит применение солнечных коллекторов . Коллектор поглощает световую энергию Солнца и преобразует ее в тепло, которое передается теплоносителю (жидкости или воздуху) и затем используется для обогрева зданий, нагрева воды, производства электричества, сушки сельскохозяйственной продукции или приготовления пищи. Солнечные коллекторы могут применяться практически во всех процессах, использующих тепло.

Для типичного жилого дома или квартиры в Европе и Северной Америке нагрев воды - это второй по энергоемкости домашний процесс. Для ряда домов он даже является самым энергоемким. Использование энергии Солнца способно снизить стоимость бытового нагрева воды на 70%. Коллектор предварительно подогревает воду, которая затем подается на традиционную колонку или бойлер, где вода нагревается до нужной температуры. Это приводит к значительной экономии средств. Такую систему легко установить, она почти не требует ухода.

В наши дни солнечные водонагревательные системы используются в частных домах, многоквартирных зданиях, школах, автомойках, больницах, ресторанах, в сельском хозяйстве и промышленности. У всех перечисленных заведений есть нечто общее: в них используется горячая вода. Владельцы домов и руководители предприятий уже смогли убедиться в том, что солнечные системы для нагрева воды являются экономически выгодными и способны удовлетворить потребность в горячей воде в любом регионе мира.

ИСТОРИЯ

Люди нагревали воду при помощи Солнца с давних времен, до того, как ископаемое топливо заняло лидирующее место в мировой энергетике. Принципы солнечного отопления известны на протяжении тысячелетий. Покрашенная в черный цвет поверхность сильно нагревается на солнце, тогда как светлые поверхности нагреваются меньше, белые же меньше всех остальных. Это свойство используется в солнечных коллекторах - наиболее известных приспособлениях, непосредственно использующих энергию Солнца. Коллекторы были разработаны около двухсот лет назад. Самый известный из них - плоский коллектор - был изготовлен в 1767 году швейцарским ученым по имени Гораций де Соссюр. Позднее им воспользовался для приготовления пищи сэр Джон Гершель во время своей экспедиции в Южную Африку в 30-х годах ХIX века.

Технология изготовления солнечных коллекторов достигла практически современного уровня в 1908 году, когда Вильям Бейли изобрел коллектор с теплоизолированным корпусом и медными трубками. Этот коллектор весьма походил на современную термосифонную систему. К концу первой мировой войны Бейли продал 4 000 таких коллекторов, а бизнесмен из Флориды, купивший у него патент, к 1941 году продал почти 60 000 коллекторов. Введенное в США во время второй мировой войны нормирование меди привело к резкому падению рынка солнечных обогревателей.

До всемирного нефтяного кризиса 1973 года эти устройства пребывали в забвении. Однако кризис пробудил новый интерес к альтернативным источникам энергии. В результате возрос спрос и на солнечную энергию . Многие страны живо интересуются развитием этой области. Эффективность систем солнечного отопления с 1970-х постоянно возрастает благодаря использованию для покрытия коллекторов закаленного стекла с пониженным содержанием железа (оно пропускает больше солнечной энергии, чем обычное стекло), улучшенной теплоизоляции и прочному селективному покрытию.

ТИПЫ СОЛНЕЧНЫХ КОЛЛЕКТОРОВ

Типичный солнечный коллектор накапливает солнечную энергию в установленных на крыше здания модулях трубок и металлических пластин, окрашенных в черный цвет для максимального поглощения радиации. Они заключены в стеклянный или пластмассовый корпус и наклонены к югу, чтобы улавливать максимум солнечного света. Таким образом, коллектор представляет собой миниатюрную теплицу, накапливающую тепло под стеклянной панелью. Поскольку солнечная радиация распределена по поверхности, коллектор должен иметь большую площадь.

Существуют солнечные коллекторы различных размеров и конструкций в зависимости от их применения. Они могут обеспечивать хозяйство горячей водой для стирки, мытья и приготовления пищи, либо использоваться для предварительного нагрева воды для существующих водонагревателей. В настоящее время рынок предлагает множество различных моделей коллекторов. Их можно разделить на несколько категорий. К примеру, различают несколько видов коллекторов в соответствии с температурой, которую они дают:

Низкотемпературные коллекторы производят низкопотенциальное тепло, ниже 50 ˚С. Используются они для подогрева воды в бассейнах и в других случаях, когда требуется не слишком горячая вода.

Среднетемпературные коллекторы производят высоко- и среднепотенциальное тепло (выше 50˚ С, обычно 60-80˚ С). Обычно это остекленные плоские коллекторы, в которых теплопередача совершается посредством жидкости, либо коллекторы-концентраторы, в которых тепло концентрируется . Представителем последних является коллектор вакуумированный трубчатый , который часто используется для нагрева воды в жилом секторе.

Высокотемпературные коллекторы представляют собой параболические тарелки и используются в основном электрогенерирующими предприятиями для производства электричества для электросетей.

Интегрированный коллектор

Простейший вид солнечного коллектора - это "емкостной" или "термосифонный коллектор", получивший это название потому, что коллектор одновременно является и теплоаккумулирующим баком, в котором нагревается и хранится "одноразовая" порция воды. Такие коллекторы используются для предварительного нагрева воды, которая затем нагревается до нужной температуры в традиционных установках, например, в газовых колонках. В условиях домашнего хозяйства предварительно подогретая вода поступает в бак-накопитель. Благодаря этому снижается потребление энергии на последующий ее нагрев. Такой коллектор - недорогая альтернатива активной солнечной водонагревательной системе, не использующая движущихся частей (насосов), требующая минимального техобслуживания, с нулевыми эксплуатационными расходами. Интегрированные коллекторы-накопители состоят из одного или нескольких черных баков, наполненных водой и помещенных в теплоизолированный ящик, накрытый стеклянной крышкой. Иногда в ящик помещают также рефлектор, усиливающий солнечное излучение. Свет проходит сквозь стекло и нагревает воду. Эти устройства совсем недороги, однако перед наступлением холодов воду из них необходимо слить либо защитить от замерзания.

Плоские коллекторы

Плоские коллекторы - самый распространенный вид солнечных коллекторов, используемых в бытовых водонагревательных и отопительных системах. Обычно этот коллектор представляет собой теплоизолированный металлический ящик со стеклянной либо пластмассовой крышкой, в который помещена окрашенная в черный цвет пластина абсорбера (поглотителя). Остекление может быть прозрачным либо матовым. В плоских коллекторах обычно используется матовое, пропускающее только свет, стекло с низким содержанием железа (оно пропускает значительную часть поступающего на коллектор солнечного света). Солнечный свет попадает на тепловоспринимающую пластину, а благодаря остеклению снижаются потери тепла. Дно и боковые стенки коллектора покрывают теплоизолирующим материалом, что еще больше сокращает тепловые потери.

Пластину абсорбера обычно окрашивают в черный цвет, так как темные поверхности поглощают больше солнечной энергии, чем светлые. Солнечный свет проходит через остекление и попадает на поглощающую пластину, которая нагревается, превращая солнечную радиацию в тепловую энергию. Это тепло передается теплоносителю - воздуху или жидкости, циркулирующей по трубкам. Поскольку большинство черных поверхностей все же отражает порядка 10% падающей радиации, некоторые пластины-поглотители обрабатываются специальным селективным покрытием, которое лучше удерживает поглощенный солнечный свет и служит дольше, чем обычная черная краска. Селективное покрытие, используемое в солнечных панелях, состоит из очень прочного тонкого слоя аморфного полупроводника, нанесенного на металлическое основание. Селективные покрытия отличаются высокой поглощающей способностью в видимой области спектра и низким коэффициентом излучения в длинноволновой инфракрасной области.

Поглощающие пластины обычно изготовлены из металла, хорошо проводящего тепло (чаще всего меди или алюминия). Медь дороже, но лучше проводит тепло и меньше подвержена коррозии, чем алюминий. Пластина-поглотитель должна иметь высокую теплопроводность, чтобы с минимальными теплопотерями передавать воде накопленную энергию. Плоские коллекторы делятся на жидкостные и воздушные. Оба вида коллекторов бывают остекленными или неостекленными.

Жидкостные коллекторы

В жидкостных коллекторах солнечная энергия нагревает жидкость, текущую по трубкам, прикрепленным к поглощающей пластине. Тепло, поглощенное пластиной, немедленно передается жидкости.

Трубки могут располагаться параллельно друг другу, причем на каждой имеются входное и выпускное отверстия, либо в виде змеевика. Змеевидное расположение трубок устраняет возможность протекания через соединительные отверстия и обеспечивает равномерный поток жидкости. С другой стороны, при спуске жидкости во избежание замерзания могут возникнуть трудности, так как в изогнутых трубках может местами оставаться вода.

В самых простых жидкостных системах используется обычная вода, которая нагревается прямо в коллекторе и поступает в ванную, кухню и т.п. Эта модель известна как "разомкнутая" (либо "прямая") система. В регионах с холодным климатом жидкостные коллекторы нуждаются в спуске воды в холодное время года, когда температура опускается до точки замерзания; либо в качестве теплоносителя используется незамерзающая жидкость. В таких системах жидкий теплоноситель поглощает тепло, накопленное коллектором, и проходит через теплообменник. Теплообменником обычно служит установленный в доме водяной бак, в котором тепло передается воде. Эта модель называется "замкнутой системой".

Остекленные жидкостные коллекторы используются для нагрева бытовой воды, а также для отопления помещений. Неостекленные коллекторы обычно нагревают воду для бассейнов. Поскольку таким коллекторам не нужно выдерживать высокую температуру, в них применяются недорогие материалы: пластмасса, резина. Они не нуждаются в защите от замерзания, так как используются в теплое время года.

Воздушные коллекторы

Воздушные коллекторы имеют то преимущество, что им не свойственны проблемы замерзания и кипения теплоносителя, от которых порой страдают жидкостные системы. И хотя утечку теплоносителя в воздушном коллекторе труднее заметить и устранить, она приносит меньше неприятностей, чем утечка жидкости. В воздушных системах часто используются более дешевые материалы, чем в жидкостных. Например, пластмассовое остекление, потому, что рабочая температура в них ниже.

Воздушные коллекторы представляют собой простые плоские коллекторы и используются в основном для отопления помещений и сушки сельскохозяйственной продукции. Поглощающими пластинами в воздушных коллекторах служат металлические панели, многослойные экраны, в том числе и из неметаллических материалов. Воздух проходит через поглотитель благодаря естественной конвекции или под воздействием вентилятора. Поскольку воздух хуже проводит тепло, чем жидкость, он передает поглотителю меньше тепла, чем жидкий теплоноситель. В некоторых солнечных воздухонагревателях к поглощающей пластине присоединены вентиляторы, которые увеличивают турбулентность воздуха и улучшают теплопередачу. Недостаток этой конструкции в том, что она расходует энергию на работу вентиляторов, таким образом увеличивая затраты на эксплуатацию системы. В холодном климате воздух направляется в промежуток между пластиной-поглотителем и утепленной задней стенкой коллектора: таким образом избегают потерь тепла сквозь остекление. Однако, если воздух нагревается не более, чем на 17˚С выше температуры наружного воздуха, теплоноситель может циркулировать по обе стороны от пластины-поглотителя без больших потерь эффективности.

Основными достоинствами воздушных коллекторов являются их простота и надежность. Такие коллекторы имеют простое устройство. При надлежащем уходе качественный коллектор может прослужить 10-20 лет, а управление им весьма несложно. Теплообменник не требуется, так как воздух не замерзает.

Солнечные трубчатые вакуумированные коллекторы

Традиционные простые плоские солнечные коллекторы были спроектированы для применения в регионах с теплым солнечным климатом. Они резко теряют в эффективности в неблагоприятные дни - в холодную, облачную и ветреную погоду. Более того, вызванные погодными условиями конденсация и влажность приводят к преждевременному износу внутренних материалов, а это, в свою очередь, - к ухудшению эксплуатационных качеств системы и ее поломкам. Эти недостатки устраняются путем использования вакуумированных коллекторов.

Вакуумированные коллекторы нагревают воду для бытового применения там, где нужна вода более высокой температуры. Солнечная радиация проходит сквозь наружную стеклянную трубку, попадает на трубку-поглотитель и превращается в тепло. Оно передается жидкости, протекающей по трубке. Коллектор состоит из нескольких рядов параллельных стеклянных трубок, к каждой из которых прикреплен трубчатый поглотитель (вместо пластины-поглотителя в плоских коллекторах) с селективным покрытием. Нагретая жидкость циркулирует через теплообменник и отдает тепло воде, содержащейся в баке-накопителе.

Вакуумированные коллекторы являются модульными, т.е. трубки можно добавлять или убирать по мере надобности, в зависимости от потребности в горячей воде. При изготовлении коллекторов этого типа из пространства между трубками высасывается воздух и образуется вакуум. Благодаря этому устраняются потери тепла, связанные с теплопроводностью воздуха и конвекцией, вызванной его циркуляцией. Остается радиационная потеря тепла (тепловая энергия движется от теплой к холодной поверхности, даже в условиях вакуума). Однако эта потеря мала и незначительна по сравнению с количеством тепла, передаваемого жидкости в трубке-поглотителе. Вакуум в стеклянной трубке - лучшая из возможных теплоизоляций для коллектора - снижает потери тепла и защищает поглотитель и теплоотводящую трубку от неблагоприятных внешних воздействий. Результат - отличные рабочие характеристики, превосходящие любой другой вид солнечного коллектора.

Существует множество различных видов вакуумированных коллекторов. В некоторых внутри трубки-поглотителя проходит еще одна, третья стеклянная трубка; есть и другие конструкции теплопередающих ребер и жидкостных трубок. Существует вакуумный коллектор, который вмещает по 19 литров воды в каждой трубке, устраняя, таким образом, потребность в отдельном баке для хранения воды. Можно также разместить позади вакуумных трубок рефлекторы, чтобы дополнительно концентрировать на коллекторе солнечную радиацию.

В регионах с высокими перепадами температур эти коллекторы гораздо эффективнее плоских по ряду причин. Во-первых, они хорошо работают в условиях как прямой, так и рассеянной солнечной радиации. Эта особенность в сочетании со свойством вакуума сводить к минимуму потери тепла наружу делает эти коллекторы незаменимыми в условиях холодной пасмурной зимы. Во-вторых, благодаря округлой форме вакуумной трубки, солнечный свет падает перпендикулярно поглотителю в течение большей части дня. Для сравнения, в неподвижно закрепленном плоском коллекторе солнечный свет падает перпендикулярно его поверхности только в полдень. Вакуумированные коллекторы отличаются более высокой температурой воды и эффективностью, чем плоские, но при этом они и дороже.

Концентраторы

Фокусирующие коллекторы (концентраторы) используют зеркальные поверхности для концентрации солнечной энергии на поглотителе, который также называется "теплоприемник". Достигаемая ими температура значительно выше, чем на плоских коллекторах, однако они могут концентрировать только прямое солнечное излучение, что приводит к плохим показателям в туманную или облачную погоду. Зеркальная поверхность фокусирует солнечный свет, отраженный с большой поверхности, на меньшую поверхность абсорбера, благодаря чему достигается высокая температура. В некоторых моделях солнечное излучение концентрируется в фокусной точке, тогда как в других лучи солнца концентрируются вдоль тонкой фокальной линии. Приемник расположен в фокусной точке или вдоль фокальной линии. Жидкость-теплоноситель проходит через приемник и поглощает тепло. Такие коллекторы-концентраторы наиболее пригодны для регионов с высокой инсоляцией - близко к экватору, в резко континентальном климате и в пустынных районах.

Концентраторы работают лучше всего тогда, когда они обращены прямо к Солнцу. Для этого используются следящие устройства, которые в течение дня поворачивают коллектор "лицом" к Солнцу. Одноосные следящие устройства поворачиваются с востока на запад; двуосные - с востока на запад и углу над горизонтом (чтобы следить за движением Солнца по небу в течение года). Концентраторы используются в основном в промышленных установках, так как они дороги, а следящие устройства нуждаются в постоянном уходе. В некоторых бытовых солнечных энергосистемах используются параболические концентраторы. Эти установки применяются для горячего водоснабжения, отопления и очистки воды. В бытовых системах применяются в основном одноосные следящие устройства - они дешевле и проще двуосных.