卷積語(yǔ)音信號(hào)盲分離的頻域算法研究.pdf

1、現(xiàn)實(shí)環(huán)境下，語(yǔ)音信號(hào)經(jīng)常受到其他語(yǔ)音或噪聲的干擾，且麥克風(fēng)拾取的信號(hào)為語(yǔ)音與干擾信號(hào)的卷積混合。因此，對(duì)受擾語(yǔ)音進(jìn)行解卷積是語(yǔ)音增強(qiáng)的重要任務(wù)。盲源分離(BSS)是指源信號(hào)和傳輸信道參數(shù)都未知，僅由觀測(cè)信號(hào)恢復(fù)出源信號(hào)各個(gè)獨(dú)立成分的方法。由于對(duì)先驗(yàn)知識(shí)要求低，盲源分離在語(yǔ)音增強(qiáng)中得到了廣泛關(guān)注。現(xiàn)有的卷積混合語(yǔ)音信號(hào)的盲源分離分為時(shí)域方法和頻域方法。當(dāng)混合濾波器階數(shù)較高時(shí)，時(shí)域方法需要學(xué)習(xí)的參數(shù)較多，造成計(jì)算時(shí)間長(zhǎng)、難于收斂。相比之下，

2、頻域方法將時(shí)頻卷積變換為多個(gè)頻率段上的乘法運(yùn)算，運(yùn)算簡(jiǎn)單，速度快，因此成為盲解卷的主流方法。但是，頻域算法必須解決BSS固有的順序不確定性問(wèn)題，否則影響分離性能，這正是本文研究的關(guān)鍵。
　　 本文對(duì)卷積混合語(yǔ)音盲分離的頻域算法進(jìn)行了研究。主要內(nèi)容包括：①研究了現(xiàn)有調(diào)序方法和語(yǔ)音信號(hào)的特性，提出了一種基于能量相關(guān)的調(diào)序方法，并應(yīng)用JADE、KM、c-FastlCA和CMN等四種復(fù)數(shù)BSS算法，對(duì)仿真和實(shí)際語(yǔ)音信號(hào)進(jìn)行了盲分離，分析

3、比較了分離性能，驗(yàn)證了本文調(diào)序方法的有效性；②在CMN算法和約束優(yōu)化的框架下，將語(yǔ)音的能量相關(guān)特性直接引入盲分離過(guò)程，推導(dǎo)出了約束CMN的梯度算法和牛頓算法，將順序不確定問(wèn)題在BSS過(guò)程中一并解決，利用仿真和實(shí)際語(yǔ)音信號(hào)進(jìn)行的大量實(shí)驗(yàn)表明，約束CMN算法的性能高于包括CMN在內(nèi)的全盲分離算法；③研究了影響卷積混合頻域算法分離性能的一些因素。主要針對(duì)不同的窗函數(shù)進(jìn)行了仿真實(shí)驗(yàn)，分析了語(yǔ)音信號(hào)的短時(shí)平穩(wěn)性和窗函數(shù)的作用；通過(guò)實(shí)驗(yàn)分析，探索了