卷積混合語音信號頻域盲分離研究.pdf

1、近年來，語音信號的盲分離成為了盲信號處理領(lǐng)域的一個熱點問題，它在語音識別、小型移動通信設(shè)備以及遠程會議方面有著廣泛的應(yīng)用前景。針對語音信號盲分離的方法主要有獨立分量分析(ICA)方法和基于時頻分析的時頻掩蔽(TF Masking)方法。目前，針對瞬時混合信號的盲分離已經(jīng)獲得了很好的效果，而對于在實際環(huán)境中由房間的回響和各種反射造成的卷積混合語音信號，要實現(xiàn)分離相當困難。目前越來越多的研究采用頻域上的方法來進行卷積語音信號的盲分離，該方法

2、可以將時域上的卷積問題變換為頻域上的乘積問題，這樣就可以采用相對成熟的解瞬時混合的ICA方法對混合信號進行分離。與TF Masking方法相比，頻域獨立分量分析(FDICA)方法優(yōu)點在于使分離信號的音樂噪聲與譜失真較小，但收斂速度不夠理想，且存在固有的幅度和次序的不確定性問題。本文將傳統(tǒng)的FDICA方法與TF Masking方法相結(jié)合，提出了一種新的基于FDICA的卷積語音信號盲分離方法，利用TF Masking的聚類結(jié)果對FDICA做

3、初始化，并進一步進行ICA迭代頻帶挑選，該方法著眼于追求良好分離性能并極大提升運算效率，同時也解決了次序不確定性問題。在此基礎(chǔ)上，又通過搭建的多通道數(shù)據(jù)采集平臺，進行了分塊在線的盲分離嘗試，并針對性的加入了對ICA分離的后處理優(yōu)化方法，在付出極小運算代價的情況下進一步提升了語音信號分離性能，這也為后續(xù)的盲分離系統(tǒng)的研究奠定了基礎(chǔ)。具體研究工作包括以下幾個方面：
　　 第一，為了加深對盲分離的理解與認知，第二章首先介紹了盲信號分離

4、的信號混合模型和麥克風陣列模型，接著采用MLS方法進行了房間聲學(xué)脈沖響應(yīng)測量。第三章對ICA的基本概念、數(shù)學(xué)知識和基本算法做了較為全面的介紹，并且給出了頻域卷積混合語音盲分離的概念以及基于信息最大化的FDICA基本算法。
　　 第二，在第四章中首先回顧了基于語音時頻分析的盲分離算法，為了提升傳統(tǒng)FDICA收斂和分離性能，結(jié)合TF Masking方法，提出了一種新的基于FDICA的盲分離方法，加快了ICA的收斂速度，并在追求良好分

5、離性能的同時極大提升了運算效率。
　　 第三，在第五章中首先利用ASIO驅(qū)動實現(xiàn)了多通道同步語音采集平臺，該平臺將有利于進一步的盲分離研究和盲分離系統(tǒng)的搭建；然后對分塊在線盲分離可能存在的問題進行了分析，在第四章的算法基礎(chǔ)上提出了針對FDICA的時頻掩模后處理方法，從分塊在線的實驗結(jié)果來看，在消耗極小運算量的情況下，后處理方法對于語音信號的分離性能有較明顯的提升；經(jīng)過改進后的整套算法在分離性能和運算效率方面也表現(xiàn)出了很好的性能。