语音信号的卷积盲源分离算法研究

发布时间：2017-08-31 18:32

  本文关键词：语音信号的卷积盲源分离算法研究

  更多相关文章： 卷积混合 独立分量分析 排序不确定性 短时傅立叶变换 特征排列熵度量

【摘要】：盲源分离(Blind Source Separation,BSS)的主要思想是仅从若干接收到的混合信号中提取、恢复出无法直接观测到的各个源信号的过程。依据信号混合方式的不同,又可以把盲源分离分成几种不同的方式,例如线性或非线性、卷积或非卷积、正定或欠定等。经过学者们二十几年的研究,混合方式为线性混叠的盲源分离已经研究的非常成熟,并且在一些领域已经有所应用。其中最常用的方法是独立分量分析(Independent Component Analysis,ICA)。然而,随着研究的深入,线性瞬时混叠盲源分离适用不了生活中的一些情况,尤其在语音信号的混合传输上体现得特别明显。语音信号的传播包含回响和干扰,如果多路信号混合传播,信号彼此间的影响更大,其数学模型更逼近于卷积混合的方式。目前,国内外针对语音信号的卷积盲源分离的研究越来越受到重视。然而,由于语音信号和卷积混合的复杂性导致盲源分离的效果不是非常理想、计算复杂度比较高,实际应用难以实现。并且针对于两路以上的信号分离实现起来特别复杂,稳健性不高,也就是说,目前针对于该技术的研究还处于初级阶段。如何高效率和高性能地实现语音信号的卷积盲源分离和多路观测信号的卷积盲分离成为该领域热点、难点问题。本文将着手对于这两个问题进行研究,主要包括以下几个方面:第一,细致梳理了盲源分离和卷积盲源分离的发展历史和研究现状。系统地介绍了盲源分离和卷积盲源分离算法理论,同时研究了这两个算法经常用到的一些基础理论知识,包括盲源分离和卷积盲源分离的基本模型、独立分量分析的约束条件、目标函数和基本的寻优准则等等。并且介绍了几种典型盲源分离和卷积盲源分离的算法,最后总结了语音信号卷积盲源分离算法的评优准则。第二,针对语音信号卷积盲源分离频域法排列不确定性问题,细致地研究了相关幅度排序算法和波达方向(Direction Of Arrival,DOA)估计排序算法,然后总结出了基于多频段能量排序算法。其算法的步骤如下,首先,通过对混合信号的短时傅立叶变换(Short Time Fourier Transformation,STFT),在频域上各个频点建立一个瞬时混合模型进行独立分量分析,之后结合能量相关排序法和波达方向排序法解决排序不确定性问题,再利用分裂语谱方法解决幅度不确定性问题,进而得到每个频点正确的分离子信号,最后用逆短时傅立叶(Inverse Short Time Fourier Transformation,ISTFT)变换得到分离的源信号。通过实验仿真对算法的收敛时间、分离效果、稳健性进行了比较。第三,针对瞬时盲分离在频域各频点盲分离精度不足的问题,本文又改进了幅度相关排序算法,研究了一种基于频点修正的排序算法。该算法首先通过相似度检测各频点的分离信号的正确性,然后用正确的相邻频点信号校正分离错误的频点,直到排序结束,最后,逆变换还原出源信号。通过实验仿真比较了经典算法的收敛速度和分离效果,实验效果表明了改进的算法在分离性能上要优于经典算法,但是该算法的收敛速度同经典算法相比要略逊一筹。第四,针对经典算法在两路以上观测信号分离效果不理想的问题,本文研究了特征排列的熵度量方法,然后结合这种排列方法,研究了一种基于特征排列熵度量的卷积盲分离排序算法。该算法通过引入特征排列熵度量排序算法解决各频点分离信号顺序不确定性问题。首先从第一个频点开始,计算该频点处分离信号的特征全集,然后依次计算每个分离信号对应的特征子集,再依次比较相应的熵差,筛选出差值最小的分离信号,最后依照同样法方法进行余下分离信号的排序,遍历所有频点,直到排序结束。该算法的收敛速度要略慢于经典算法,然而,能成功的解决了三路信号卷积混合的问题,对卷积盲源分离的研究具有重要的价值。本文紧密的联系卷积盲源分离的最新研究方向,细致地分析和研究了卷积盲源分离算法,并且在一定程度上改进和完善了语音信号的卷积盲源分离算法。对以上提到的新算法都进行了理论证明和计算机实验仿真,从不同角度分析和对比了不同的卷积盲源分离排序算法,相比与其它算法,本文研究的三种不同的算法分离性能各有优势,对该领域的研究具有一定的实用价值和应用前景。
【关键词】：卷积混合 独立分量分析 排序不确定性 短时傅立叶变换 特征排列熵度量
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN912.3
【目录】：

• 摘要3-5
• ABSTRACT5-14
• 第1章 绪论14-22
• 1.1 研究背景14-18
• 1.1.1 盲信号处理概述14-16
• 1.1.2 盲信号处理的分类16
• 1.1.3 盲源分离技术在语音信号处理中的应用16-18
• 1.2 卷积盲源分离发展历史和研究现状18-20
• 1.3 本文的主要内容及其章节安排20-22
• 第2章 语音信号卷积盲源分离基础22-46
• 2.1 引言22
• 2.2 瞬时盲源分离22-29
• 2.2.1 盲源分离系统模型22
• 2.2.2 主分量分析理论22-24
• 2.2.3 独立分量分析理论24-25
• 2.2.4 瞬时盲源分离理论基础25-28
• 2.2.5 ICA的几种基本寻优准则28-29
• 2.3 盲源分离算法分类29-34
• 2.3.1 批处理算法29-30
• 2.3.2 盲自适用处理算法30-33
• 2.3.3 ICA的评价准则33-34
• 2.4 卷积盲源分离34-45
• 2.4.1 卷积盲源分离基本模型34-35
• 2.4.2 卷积盲源分离时域算法35-37
• 2.4.3 卷积盲源分离频域算法37-43
• 2.4.4 性能评价43-45
• 2.5 本章小结45-46
• 第3章 基于多频段能量相关排序的语音卷积混合盲源分离46-58
• 3.1 引言46
• 3.2 算法流程46-47
• 3.3 排序不确定和幅度不确定问题47
• 3.4 幅度相关排序算法47-49
• 3.5 波达方向排序算法49
• 3.6 基于多频段能量排序算法49-52
• 3.7 实验结果与分析52-56
• 3.7.1 实验数据52-55
• 3.7.2 分离结果评估与比较55-56
• 3.8 本章小结56-58
• 第4章 基于频点校正的语音卷积混合盲源分离算法58-72
• 4.1 引言58
• 4.2 卷积混合语音信号短时傅立叶变换特性58-61
• 4.3 利用频点间的相似性解决排列不确定性问题61-64
• 4.3.1 算法描述61-62
• 4.3.2 算法实现62-64
• 4.3.3 相关排序算法存在的问题64
• 4.4 基于频点校正的排序算法64-66
• 4.5 实验结果与数据分析66-71
• 4.5.1 性能分离评估66
• 4.5.2 实验数据66-70
• 4.5.3 计算复杂度分析70-71
• 4.6 本章小结71-72
• 第5章 基于特征排序熵度量的语音卷积混合盲源分离算法72-83
• 5.1 引言72
• 5.2 特征排序的熵度量72-75
• 5.3 基于熵度量排序算法的语音卷积混合盲源分离75-76
• 5.3.1 算法描述75-76
• 5.4 实验结果与数据分析76-81
• 5.4.1 性能分离评估76-77
• 5.4.2 实验数据77-81
• 5.5 算法计算复杂度分析81-82
• 5.6 本章小结82-83
• 第6章 总结与展望83-86
• 6.1 本论文工作总结83-84
• 6.2 未来工作展望84-86
• 致谢86-87
• 参考文献87-93
• 攻读硕士期间参与项目及取得的成果93

【参考文献】

中国期刊全文数据库 前9条

1 张天骐;徐昕;吴旺军;刘瑜;;多反复结构模型的精确音乐分离方法[J];声学学报;2016年01期

2 夏淑芳;张天骐;李雪松;高清山;;基于变步长的混合图像自适应盲分离算法[J];数据采集与处理;2011年02期

3 张华;冯大政;庞继勇;;基于三二次优化的语音卷积盲分离方法[J];电子学报;2009年11期

4 张华;冯大政;庞继勇;;卷积混迭语音信号的联合块对角化盲分离方法[J];声学学报(中文版);2009年02期

5 何培宇;周激流;夏秀渝;王永德;赵刚;;一种基于二阶盲信号分离的多路声回波抑制模型[J];电子学报;2006年11期

6 牛奕龙;王英民;王毅;;一种改进的自适应不完整自然梯度盲源分离算法[J];模式识别与人工智能;2006年05期

7 何培宇,殷斌,P.C.W.Sommen;一种有效的语音盲信号分离简化混合模型[J];电子学报;2002年10期

8 刘琚,何振亚;盲源分离和盲反卷积[J];电子学报;2002年04期

9 张贤达,保铮;盲信号分离[J];电子学报;2001年S1期

，

本文编号：767227