語音信號的欠定混合盲源分離算法研究.pdf

1、實際生活中,盲源分離技術(shù)在語音信號分離、電話會議、聲納、雷達處理、圖像增強、生物醫(yī)學信號處理、無線通信以及遙感等許多實際人機交互領(lǐng)域有著廣泛的應(yīng)用,對其研究一直是信號處理領(lǐng)域的前沿性研究課題。獨立分量分析算法是盲源分離技術(shù)中最具代表性的算法,但獨立分量分析存在獨立性約束,及要求混合系數(shù)矩陣列滿秩等的缺點。在實際應(yīng)用中,這些約束條件往往不能滿足,且觀測信號數(shù)目少于源信號數(shù)目的欠定混合盲源分離問題更具有研究意義,而獨立分量分析法不再適用。對

2、于欠定混合的盲源分離問題,稀疏分量分析方法是處理該問題的主要方法。稀疏分量分析法應(yīng)用于語音信號的分離時,當擴展到高維空間,利用短時傅立葉變換對語音信號進行稀疏變換時,頻域信號的線性聚類特性不再明顯,源信號數(shù)目和混合矩陣估計不準確。針對上述問題,本文從稀疏角度出發(fā),具體做了以下幾點的研究工作:
　　(1)稀疏分量分析中,源信號的分離是在混合矩陣得到估計的前提下進行,故混合矩陣的估計至關(guān)重要,本文提出了在估計混合矩陣后,對其進行修正的

3、方法,使估計值更加接近于真實值,為后面源信號的分離做很好的鋪墊。其方法首先依據(jù)估計的混合矩陣對觀測信號進行分類,進而求分類后每一類信號的協(xié)方差矩陣,并對協(xié)方差矩陣進行奇異值分解,最大奇異值對應(yīng)的向量即為混合矩陣的某一個列向量。
　　(2)源于高維情況下的線性聚類特性不再明顯,拉普拉斯模型勢函數(shù)法不能估計出源信號數(shù)目和混合矩陣的缺點,本文提出將層次聚類算法與拉普拉斯模型勢函數(shù)相結(jié)合的方法估計源信號數(shù)目和混合矩陣。其中,層次聚類算法用

4、來提取體現(xiàn)線性聚類特性的數(shù)據(jù)點,從實驗驗證結(jié)果分析,達到了準確估計源信號數(shù)目和混合矩陣的目的,且同時將估計過程的計算量大大降低。
　　(3)根據(jù)信號越稀疏,源信號越能得到更準確的分離的思想,采用迭代子空間辨識算法進行過完備字典的迭代求解,采用該求得的過完備字典對信號進行稀疏表示,使得語音信號在過完備基表示下比短時傅立葉變換下具有更好的稀疏性。然后采用勢函數(shù)法進行聚類分析,估計源信號數(shù)目和混合矩陣,然后恢復源信號在變換域的分量,進而