盲分離算法的研究及其在聲信號處理中的應用.pdf

1、盲分離(Blindsignalseparation，BSS)技術是現(xiàn)代信號處理領域中一個嶄新的研究方向。目前已廣泛應用于語音信號處理、圖像處理、多用戶通信、陣列信號處理及醫(yī)學信號處理等許多領域。目前解決盲分離問題主要利用獨立成分分析(Independentcomponentanalysis，ICA)方法提取相互統(tǒng)計獨立的源信號。ICA這種特性不僅能夠進行信號的盲分離，而且能夠提取信號的高階統(tǒng)計特征，同時，這些高階統(tǒng)計特征又能更好的應用于

2、信號的盲分離。目前，對實錄聲信號的盲分離、去噪和單通道盲分離等處理仍存在著許多問題和困難值得探討，這些問題的解決勢必會給聲信號的檢測帶來重大的實用價值。本文著重研究ICA在聲信號瞬時線性盲分離、卷積盲分離、強背景噪聲下信號的去噪及單通道盲分離中的應用。歸納起來，本文的主要工作有： 研究現(xiàn)有瞬時線性盲分離算法及各準則之間的等價關系。對于算法無法分離具有復雜分布的源信號，或同時包含超高斯和亞高斯信號的雜系混合信號，本文著重研究了基于

3、概率密度估計的盲分離算法，提出將泛化高斯模型、混合高斯模型及非參數(shù)估計方法用于ICA算法中源信號概率密度函數(shù)的估計。對水聲信號、同系混合語音信號及雜系混合信號的盲分離都較傳統(tǒng)的方法提高了分離效果。 對實錄語音信號這一卷積混合的盲分離問題，本文在研究時域盲分離算法的基礎上，將基于概率密度估計的ICA算法應用到時域的卷積信號盲分離中。另外，本文著重研究了頻域盲解卷積算法，推導了復數(shù)FastICA算法，并將其應用到實錄聲信號的盲分離中

4、。與時域盲分離方法比較大大提高了盲分離的精度和收斂速度，增強了實用性。 基于ICA能夠提取信號高階統(tǒng)計結構的特性，本文結合ICA基函數(shù)做了兩方面的工作：一、強背景噪聲環(huán)境下聲信號的去噪，首先研究了語音、音樂及水聲信號的ICA基函數(shù)特性，針對現(xiàn)有基于ICA特征的去噪方法在去除噪聲的同時也去除了大量有用信息的缺陷，提出了基于非線性閾值函數(shù)的去噪方法。其次，對于現(xiàn)有算法均需要事先對無噪情況下的源信號進行ICA特征提取的缺陷，本文提出了

5、基于含噪系數(shù)的最大似然估計方法，使得在無法獲取無噪源信號的情況下信號的去噪成為可能，并且與傳統(tǒng)的去噪方法比較該算法大大提高了去噪的效果。二、單通道觀測信號的盲分離。對于盲分離問題中較為棘手的也是實際應用中較為常見的單通道問題，本文基于ICA基函數(shù)研究了解決單通道盲分離問題的方法，提出了以ICA基函數(shù)作為濾波器的極大似然方法，較好的解決了頻域內相互重疊的語音與音樂信號的單通道盲分離問題。 本文的創(chuàng)新點主要體現(xiàn)在：1.提出了3種基于

6、概率密度函數(shù)估計的盲分離方法：基于泛化高斯模型(GGM)的極大似然算法、基于高斯混合模型(GMM)的最大熵算法以及基于非參數(shù)概率密度估計的最大熵算法。解決了分布復雜的源信號以及雜系混合信號的盲分離問題。 2.對于實錄語音信號盲分離問題，提出了基于復數(shù)FastICA的頻域卷積信號盲分離算法。該算法解決了時域算法迭代時間長、實時性差的問題。通過對實錄語音信號及水聲信號的卷積盲分離實驗證明了該算法運算速度快、精度高的特性，大大增強了算

7、法的實用性。 3.提出將ICA特征提取方法用于水聲信號的高階統(tǒng)計結構特征提取中。證明了低頻段船舶輻射噪聲信號的ICA基函數(shù)在時域和頻域中均具有局部特性，且明顯區(qū)別于海洋環(huán)境噪聲信號。同時，經(jīng)ICA變換后信號的稀疏性強于傳統(tǒng)的幾種特征提取方法。 4.提出了基于含噪系數(shù)極大似然估計的非線性閾值函數(shù)去噪方法。并在此基礎上，進一步提出將基于GGM的ICA特征提取方法直接用于含噪信號的基函數(shù)提取，解決了在無法獲取無噪源信號的情況下