Show simple item record

dc.contributor.authorStankevičius, Evaldas
dc.date.accessioned2023-09-18T19:40:11Z
dc.date.available2023-09-18T19:40:11Z
dc.date.issued2013
dc.identifier.issn2029-2341
dc.identifier.other(BIS)VGT02-000026549
dc.identifier.urihttps://etalpykla.vilniustech.lt/handle/123456789/142091
dc.description.abstractNagrinėjama mobiliuoju tinklu perduoto balso kokybės matavimo metodikos problematika, balso kokybės įvertinimo algoritmų pasirinkimo galimybės. Aptariamas sukurtos balso kokybės matavimo sistemos tinkamumas, efektyvumas. Pateikiami sukurtos sistemos taikymo rezultatai parinkus optimalią įrangos konfigūraciją. Sąlygomis, artimomis idealioms, gauta, kad sukurta sistema balso kokybę įvertina vidutiniu 3,85 MOS įverčiu, o standartizuota TEMS Investigation 9.0 – vidutiniu 4,05 MOS įverčiu. Aptarta balso kokybės prognozatoriaus sukūrimo galimybė. Ištirtas balso kokybės priklausomybės nuo mobiliojo tinklo parametrų prognozatorius, taikantis tiesinės ir netiesinės prognozės būdus. Netiesinė prognozė, taikant dirbtinius neuronų tinklus, teikia 0,62 koreliacijos koeficientą. Tiesinė prognozė mažiausiųjų kvadratų metodu teikia 0,57 koreliacijos koeficientą. Gauta analitinė balso kokybės funkcijos išraiška nuo trijų tinklo parametrų: BER, C/I, RSSI.lit
dc.description.abstractThe article deals with methods measuring the quality of voice transmitted over the mobile network as well as related problem, algorithms and options. It presents the created voice quality measurement system and discusses its adequacy as well as efficiency. Besides, the author presents the results of system application under the optimal hardware configuration. Under almost ideal conditions, the system evaluates the voice quality with MOS 3.85 average estimate; while the standardized TEMS Investigation 9.0 has 4.05 average MOS estimate. Next, the article presents the discussion of voice quality predictor implementation and investigates the predictor using nonlinear and linear prediction methods of voice quality dependence on the mobile network settings. Nonlinear prediction using artificial neural network resulted in the correlation coefficient of 0.62. While the linear prediction method using the least mean squares resulted in the correlation coefficient of 0.57. The analytical expression of voice quality features from the three network parameters: BER, C / I, RSSI is given as well.eng
dc.formatPDF
dc.format.extentp. 150-154
dc.format.mediumtekstas / txt
dc.language.isolit
dc.relation.isreferencedbyProQuest (nenaudotinas)
dc.relation.isreferencedbyGALE (nenaudotinas)
dc.relation.isreferencedbyICONDA
dc.source.urihttps://doi.org/10.3846/mla.2013.28
dc.titleBalso kokybė mobiliojo ryšio sistemose
dc.typeStraipsnis kitoje DB / Article in other DB
dcterms.references12
dc.type.pubtypeS3 - Straipsnis kitoje DB / Article in other DB
dc.contributor.institutionVilniaus Gedimino technikos universitetas
dc.contributor.facultyElektronikos fakultetas / Faculty of Electronics
dc.subject.researchfieldT 001 - Elektros ir elektronikos inžinerija / Electrical and electronic engineering
dc.subject.ltQoS
dc.subject.ltPESQ
dc.subject.lt3SQM
dc.subject.ltMOS
dc.subject.ltTiesinė ir netiesinė prognozė
dc.subject.ltNeuronų tinklai
dc.subject.ltMažiausiųjų kvadratų metodas
dc.subject.enQoS
dc.subject.enPESQ
dc.subject.en3SQM
dc.subject.enMOS
dc.subject.enLinear and non-linear prediction
dc.subject.enArtificial neural networks
dc.subject.enLMS
dcterms.sourcetitleMokslas – Lietuvos ateitis = Science – future of Lithuania: elektronika ir elektrotechnika = Electronics and electrical engineering
dc.description.issuenr. 2
dc.description.volumeT. 5
dc.publisher.nameTechnika
dc.publisher.cityVilnius
dc.identifier.doi10.3846/mla.2013.28
dc.identifier.elaba4025586


Files in this item

FilesSizeFormatView

There are no files associated with this item.

This item appears in the following Collection(s)

Show simple item record