盲信號(hào)分離畢業(yè)論文

1、<p><b>　　摘要</b></p><p>　　語(yǔ)音信號(hào)分離是近幾十年來(lái)廣泛應(yīng)用于通信、雷達(dá)、電子醫(yī)學(xué)等方面的發(fā)展方向，其理論基礎(chǔ)是語(yǔ)音信號(hào)的盲源分離。本文主要介紹了盲源分離和獨(dú)立分量分析概念以及相關(guān)知識(shí)，探討ICA研究中的主要問(wèn)題。盲信號(hào)處理算法分為批處理算法和自適應(yīng)算法兩類(lèi)，研究得到一種批處理和自適應(yīng)相結(jié)合的快速獨(dú)立分量分析(fast independent compon

2、ent analysis, Fast ICA)算法。在語(yǔ)音信號(hào)的處理和分離中，聲音的信號(hào)多種多樣，但是來(lái)自不同語(yǔ)音源的信號(hào)保持相對(duì)獨(dú)立，利用此特點(diǎn)及盲信號(hào)分離的思想，將Fast ICA算法作用在語(yǔ)音信號(hào)的分離上，從而獲得獨(dú)立的聲音文件。</p><p>　　本文重點(diǎn)研究了盲信號(hào)處理的思想和ICA算法，明確了ICA方法的數(shù)學(xué)模型、基本假設(shè)條件以及ICA目標(biāo)函數(shù)的估計(jì)準(zhǔn)則。本文使用三個(gè)聲音文件做實(shí)驗(yàn)，用matlab進(jìn)

3、行仿真試驗(yàn)，通過(guò)分離前后的波形圖進(jìn)行對(duì)比與分析，來(lái)證明該算法具有良好的語(yǔ)音信號(hào)分離效果。</p><p>　　關(guān)鍵詞：語(yǔ)音信號(hào)分離；盲信號(hào)處理算法；獨(dú)立分量分析；ICA固定點(diǎn)算法</p><p><b>　　英文摘要</b></p><p><b>　　緒論</b></p><p><b>

4、;　　研究背景與意義</b></p><p>　　數(shù)字信號(hào)處理技術(shù)是1960年開(kāi)始，伴隨著計(jì)算機(jī)技術(shù)的發(fā)展而迅速發(fā)展起來(lái)的一門(mén)學(xué)科技術(shù)。從誕生起，它便顯示出了龐大的潛力，并很快在諸如雷達(dá)和聲納，電子通訊工程，以及電子生物醫(yī)學(xué)等領(lǐng)域中應(yīng)用于實(shí)際，并且取得了非常好的效果，使人們對(duì)這門(mén)技術(shù)給予了很大的期望。但是由于早期技術(shù)能力的不足，數(shù)字信號(hào)處理主要是根據(jù)一個(gè)高斯穩(wěn)態(tài)信號(hào)和系統(tǒng)限制因果最小相位系統(tǒng)的假設(shè)，而

5、信號(hào)的分析主要使用其相關(guān)函數(shù)（時(shí)域）和功率譜（頻域）等二階統(tǒng)計(jì)信息。因?yàn)樵谠S多情況下，這些假設(shè)大致成立，因此通過(guò)實(shí)際需要的數(shù)字信號(hào)處理技術(shù)的發(fā)展迅速并逐漸完善，且被日益廣泛的應(yīng)用。</p><p>　　在這同時(shí)，信息理論，人工神經(jīng)網(wǎng)絡(luò)，多維信號(hào)處理技術(shù)，進(jìn)化算法，模糊推理，盲信號(hào)處理等等技術(shù)在過(guò)去十年中取得的突破顯著，并已經(jīng)應(yīng)用到信號(hào)處理領(lǐng)域。在理論和技術(shù)方面，這些新的突破已逐漸成為現(xiàn)代信號(hào)處理的里程碑。使得無(wú)論

6、各行各業(yè)的研究人員都需要學(xué)習(xí)并掌握現(xiàn)代信號(hào)處理方法，并將其應(yīng)用于行業(yè)中。</p><p>　　隨著數(shù)字信號(hào)處理技術(shù)的應(yīng)用在各個(gè)領(lǐng)域的應(yīng)用逐漸深化，以及數(shù)字信號(hào)處理技術(shù)本身的不斷發(fā)展，大家開(kāi)始并不滿(mǎn)足于處理線(xiàn)性時(shí)不變因果最小相位系統(tǒng)以及平穩(wěn)高斯信號(hào)，以及經(jīng)典的信號(hào)處理理論，因此非平穩(wěn)，非高斯和非線(xiàn)性、時(shí)變的非因果最小相位系統(tǒng)被推出舞臺(tái)。同時(shí)，由于對(duì)于高階統(tǒng)計(jì)量和小波變換的研究有很大的進(jìn)展，現(xiàn)在已經(jīng)能夠?qū)?非高斯以及

7、非平穩(wěn)信號(hào)進(jìn)行信號(hào)分析并進(jìn)行處理。曾經(jīng)一度讓人認(rèn)為無(wú)法解決的加性有色噪聲的信號(hào)處理，也已經(jīng)取得了實(shí)質(zhì)性的進(jìn)展。此外，自適應(yīng)信號(hào)處理算法以及高分辨率頻譜分析等方面也有了突破性的發(fā)展。</p><p><b>　　本文研究方向</b></p><p>　　雞尾酒會(huì)效應(yīng)(cocktail party effect)，也稱(chēng)為選擇性關(guān)注(selective attention)

8、，即為盲源分離的一個(gè)實(shí)際例子，指人在嘈雜的環(huán)境中或者很多人同時(shí)說(shuō)話(huà)的環(huán)境下依舊能分辨出自己感興趣的聲音，這說(shuō)明人類(lèi)的大腦可以進(jìn)行類(lèi)似于盲源語(yǔ)音分離的工作，在實(shí)驗(yàn)中，我們并不能認(rèn)為計(jì)算機(jī)可以完全替代人腦對(duì)于語(yǔ)音的識(shí)別程度，但是通過(guò)軟件將原本混合在一起的語(yǔ)音信號(hào)分開(kāi)，來(lái)模擬嘈雜環(huán)境下的語(yǔ)音識(shí)別是可以實(shí)現(xiàn)的。</p><p><b>　　盲信號(hào)處理相關(guān)知識(shí)</b></p><p

9、><b>　　盲信號(hào)處理的概述</b></p><p>　　盲信號(hào)處理(Blind Signal Processing, BSP)是近年來(lái)在現(xiàn)代數(shù)學(xué)信號(hào)處理領(lǐng)域中的重要發(fā)展方向。它指在信號(hào)在無(wú)參考信號(hào)的條件下，來(lái)估計(jì)出原始信號(hào)的方法，用系統(tǒng)的輸出數(shù)據(jù)，通過(guò)處理手段來(lái)獲得我們想要了解的相關(guān)信息。盲信號(hào)處理已經(jīng)能夠在移動(dòng)通信、電子信息處理、生物醫(yī)學(xué)工程、雷達(dá)與探測(cè)等等專(zhuān)業(yè)領(lǐng)域中廣泛應(yīng)用。&

10、lt;/p><p>　　盲信號(hào)處理中的“盲”指信號(hào)源是未知的，并且混合信號(hào)也是未知的，因此我們?cè)诿ば盘?hào)處理的過(guò)程中無(wú)法使用這點(diǎn)。例如，人們?cè)谟靡苿?dòng)設(shè)備通信時(shí)，發(fā)出的信號(hào)是未知的，而且如果人們?cè)诖蠼稚洗螂娫?huà)，過(guò)程中可能在不斷走動(dòng)，信號(hào)源也會(huì)移動(dòng)，導(dǎo)致信道不斷變化，因此這也是未知的。通信的任務(wù)即為從接受到的信號(hào)去恢復(fù)本身的原始信號(hào)。</p><p>　　盲信號(hào)處理雖然是近幾十年內(nèi)才剛剛發(fā)展起來(lái)的一

11、門(mén)新研究領(lǐng)域，但是由于其應(yīng)用范圍廣泛，使得各國(guó)科研人員都大力投入在這門(mén)學(xué)科中，但是研究進(jìn)程不算太快，因?yàn)槠渖婕暗闹R(shí)面以及應(yīng)用面都很廣闊但是理論卻并不是很成熟，因此其中的許多問(wèn)題都需要進(jìn)一步的探討和解決。例如以下幾方面：</p><p>　　1、帶噪聲的語(yǔ)音信號(hào)盲處理</p><p>　　很多實(shí)際應(yīng)用的情況下，混合語(yǔ)音信號(hào)中往往摻雜著許多噪音，由于本身限制信號(hào)處理的制約條件就已經(jīng)很多，因此

12、在含有大量噪音的情況下去進(jìn)行盲信號(hào)處理還是十分困難的，即使現(xiàn)在很多算法在原語(yǔ)音信號(hào)含有噪聲的情況下也能展現(xiàn)出較好的處理性能，但是由于噪聲種類(lèi)繁多并且不好控制，進(jìn)行盲信號(hào)處理還是有很大程度的制約。因此在現(xiàn)有的多數(shù)盲信號(hào)處理的計(jì)算方法中，都會(huì)假設(shè)原信號(hào)不含噪音，亦或者是將噪音看作另一個(gè)獨(dú)立的原信號(hào)來(lái)進(jìn)行處理。</p><p>　　2、非平穩(wěn)的語(yǔ)音信號(hào)盲處理</p><p>　　我們的計(jì)算過(guò)程中

13、一般使用的是平穩(wěn)的語(yǔ)音信號(hào)，但是實(shí)際情況中，很多原信號(hào)都是非平穩(wěn)的。在非平穩(wěn)特性下如何進(jìn)行盲信號(hào)處理也是該學(xué)科所面臨的一大難題。</p><p>　　3、卷積語(yǔ)音信號(hào)的盲處理</p><p>　　我們進(jìn)行盲信號(hào)處理時(shí)一般使用的是直接傳遞來(lái)的語(yǔ)音信號(hào)，而大部分實(shí)際情況中，系統(tǒng)接收到的信號(hào)是通過(guò)不同途徑傳遞到接收器中的信號(hào)，在傳遞的過(guò)程中，必然會(huì)產(chǎn)生信號(hào)的反射過(guò)程，使得接收到的信號(hào)并非原信號(hào)本

14、身，在這種情況下的信號(hào)盲處理還沒(méi)有什么很好的解決方式。</p><p>　　4、ICA算法的實(shí)際應(yīng)用</p><p>　　在進(jìn)行科學(xué)研究中，我們可以在理論的狀態(tài)下用ICA算法進(jìn)行識(shí)別語(yǔ)音、處理圖像、雷達(dá)聲吶信號(hào)處理、處理電子醫(yī)學(xué)信號(hào)等等，但是如何將純理論狀態(tài)下的算法進(jìn)行實(shí)際推廣還有一定難度，因?yàn)閷?shí)際情況遠(yuǎn)遠(yuǎn)比理論狀態(tài)下要復(fù)雜的多。將ICA算法推廣到實(shí)際應(yīng)用是這門(mén)學(xué)科發(fā)展的當(dāng)務(wù)之急。<

15、/p><p><b>　　盲信號(hào)處理的方法</b></p><p>　　盲信號(hào)處理依據(jù)其經(jīng)過(guò)傳輸信道的混合方式可劃分為三類(lèi)，依次為線(xiàn)性瞬時(shí)混合信號(hào)盲處理、線(xiàn)性卷積混合信號(hào)盲處理以及非線(xiàn)性混合信號(hào)盲處理三類(lèi)。</p><p>　　依據(jù)其原信號(hào)和觀測(cè)信號(hào)數(shù)目的差距可劃分為欠定、適定和超定三種情況。</p><p>　　依據(jù)其原信

16、號(hào)分布的不同可劃為超高斯、亞高斯、超高斯和亞高斯混合分離，同時(shí)其信號(hào)還可分為平穩(wěn)、非平穩(wěn)等。</p><p>　　依據(jù)其信道中是否有噪聲及其特性可劃分為有噪聲、無(wú)噪聲、含加性噪聲和乘性噪聲等。</p><p>　　而與此同時(shí)，我們可以把盲信號(hào)處理的目的分為兩種，即盲辨識(shí)和盲源分離。一般情況下，我們需要先進(jìn)行盲辨識(shí)，之后進(jìn)行盲源分離處理。其中盲辨識(shí)的目的是為了求出傳輸通道中用的何種混合矩陣來(lái)

17、組成混合系統(tǒng)。而盲源分離的目的則是為了通過(guò)混合矩陣來(lái)求出原信號(hào)的最佳估計(jì)。</p><p>　　盲信號(hào)處理的研究與應(yīng)用</p><p>　　近幾年來(lái)，盲信號(hào)處理已然成為當(dāng)今時(shí)代信息處理領(lǐng)域的熱門(mén)話(huà)題之一，特別是在生物醫(yī)學(xué)工程，醫(yī)學(xué)影像，語(yǔ)音增強(qiáng)，通信系統(tǒng)，地震勘測(cè)，地球物理，計(jì)量經(jīng)濟(jì)學(xué)和數(shù)據(jù)挖掘等領(lǐng)域表現(xiàn)出龐大的發(fā)展?jié)摿?，尤其是盲源分離技術(shù)，通過(guò)ICA技術(shù)的不斷挖掘和應(yīng)用于實(shí)際，它已經(jīng)變得

18、相當(dāng)令人矚目。</p><p>　　下面介紹盲信號(hào)處理被應(yīng)用的最為廣泛的兩個(gè)領(lǐng)域：</p><p><b>　　1、生物醫(yī)學(xué)信號(hào)</b></p><p>　　在生物醫(yī)學(xué)領(lǐng)域，盲信號(hào)處理可以被應(yīng)用到心電圖（ECG），腦電圖（EEG）信號(hào)分離，可聽(tīng)信號(hào)分析，以及功能性磁共振成像（FMRI）分析等等方面?，F(xiàn)在在電子醫(yī)學(xué)方面，心腦電圖等等的數(shù)據(jù)處理上，

19、已經(jīng)很廣泛的應(yīng)用了盲信號(hào)處理的思想與技術(shù)來(lái)進(jìn)行識(shí)別、除偽跡等工作。</p><p><b>　　2、語(yǔ)音識(shí)別領(lǐng)域</b></p><p>　　語(yǔ)音識(shí)別是新一代人機(jī)交互所需的重要技術(shù)之一，也是機(jī)器即將更加人性化所需的技術(shù)基礎(chǔ)，而噪聲則是阻礙其進(jìn)行語(yǔ)音識(shí)別的主要影響原因之一，尤其是類(lèi)似于“雞尾酒會(huì)效應(yīng)”的環(huán)境下，噪聲復(fù)雜且多變，這使得機(jī)器想進(jìn)行語(yǔ)音識(shí)別變得更加的困難，而盲

20、信號(hào)處理就可以幫助去除噪音，起到抑制信號(hào)干擾，加強(qiáng)語(yǔ)音信號(hào)程度，提高語(yǔ)音質(zhì)量的重要作用，因此盲信號(hào)處理在語(yǔ)音識(shí)別領(lǐng)域起到了重要的推進(jìn)作用。</p><p><b>　　獨(dú)立分量分析</b></p><p>　　獨(dú)立分量分析(Independent Component Analysis, ICA)是1990年前后得以發(fā)展并被廣泛認(rèn)知和使用的一種新型信號(hào)處理技術(shù)，它是一種

21、從多個(gè)源信號(hào)通過(guò)混合系統(tǒng)得出的線(xiàn)性混合信號(hào)中，通過(guò)計(jì)算混合矩陣，來(lái)分離出源信號(hào)的技術(shù)。在這個(gè)計(jì)算過(guò)程中，除去已知源信號(hào)是相互獨(dú)立以外并無(wú)其它條件，來(lái)分離或近似分離出原信號(hào)的分析過(guò)程。</p><p>　　從原理上來(lái)講，只靠單一通道去觀察信號(hào)本身是無(wú)法做到這種目的的分解手段，只有通過(guò)尋求一組把這些信源按不同混合組合起來(lái)的多通道同步觀察才有可能完成。從另一個(gè)方面講，ICA是多導(dǎo)信號(hào)的一種處理方法，但是把一組觀察信號(hào)分

22、解成幾個(gè)獨(dú)立成分，分解結(jié)果必然不唯一，因此分解需要加一定的約束條件來(lái)使得到的答案更接近我們所期望的結(jié)果。ICA算法是基于在各個(gè)領(lǐng)域中困擾許久的盲源問(wèn)題而被廣泛重視并研究的，故其又稱(chēng)盲源分離算法。</p><p><b>　　獨(dú)立分量分析的定義</b></p><p>　　ICA是在多變量（多維）統(tǒng)計(jì)數(shù)據(jù)中來(lái)找出其中隱藏因素及成分的手段，它被廣泛認(rèn)為是主要成分分析(Pr

23、incipal Component Analysis, PCA)和因子分析(Factor Analysis)的擴(kuò)展手段。ICA是在僅知混合信號(hào)而不知源信號(hào)、混合機(jī)制及噪聲干擾的情況下，</p><p>　　在信號(hào)處理領(lǐng)域中，盲信號(hào)處理（其中包括盲辨識(shí)、盲信源分解、盲通道均衡等等）是在20世紀(jì)90年代后期才發(fā)展起來(lái)的，ICA是其中的一個(gè)重要組成部分。最早提出ICA理念的是Jutten與Herault分別于1986年

24、和1991年在Signal Processing期刊上發(fā)表的論文。他們?cè)谡撐闹嘘U述的理念讓人耳目一新，但是理論上卻不夠完善。在這之后，由Comon在1994年發(fā)表了一份新的論文，在理論上賦予了比較嚴(yán)密的數(shù)學(xué)定義。到了20世紀(jì)末，隨著科學(xué)技術(shù)的發(fā)展，ICA出現(xiàn)了很多不同的處理算法，被廣泛應(yīng)用于全世界很多科研單位的科學(xué)研究中。</p><p>　　從時(shí)間上我們可以看出，ICA的發(fā)展歷程非常晚，從出現(xiàn)到現(xiàn)在時(shí)間很短，但

25、是不論是理論上還是實(shí)際應(yīng)用上，ICA都在被世人所廣泛關(guān)注著，在國(guó)內(nèi)外都是重點(diǎn)的研究對(duì)象。特別在應(yīng)用方面，ICA所展示出的適用范圍和前景是十分可觀的。目前其主要應(yīng)用于盲源分離、語(yǔ)音識(shí)別、通信領(lǐng)域、生物醫(yī)學(xué)工程、心腦功能成像、時(shí)間序列分析以及數(shù)據(jù)挖掘等等領(lǐng)域。</p><p><b>　　ICA基本概念</b></p><p>　　ICA 的基本過(guò)程如下圖所示</p

26、><p><b>　　圖 21</b></p><p>　　由圖示，在信源s(t)中的各個(gè)分量相互獨(dú)立的前提下，經(jīng)過(guò)混合系統(tǒng)A混合，再由觀察x(t)來(lái)通過(guò)解混系統(tǒng)B將其分離開(kāi)來(lái)，使得輸出的y(t)能夠最大限度的逼近于s(t)。一般情況下，我們將解混系統(tǒng)分為兩步——即為球化W和正交變換系統(tǒng)U，通過(guò)這兩步來(lái)達(dá)到解混的目的。</p><p>　　并且通

27、過(guò)這個(gè)整體過(guò)程我們可以知道，獨(dú)立分量分析實(shí)際上只是一個(gè)優(yōu)化手段，因?yàn)檫@個(gè)問(wèn)題其實(shí)并沒(méi)有唯一解，我們所能做的只是在某一衡量獨(dú)立性的判斷依據(jù)最優(yōu)的意義下來(lái)尋求問(wèn)題的最近似答案，來(lái)使得y(t)中的各個(gè)分量能夠盡可能的相互獨(dú)立；y(t)與s(t)不只是相互近似，得出的結(jié)果在幅度大小和排列順序上都允許它們有一定程度的不同。</p><p>　　解混系統(tǒng)B中，我們采用兩步法來(lái)進(jìn)行解混時(shí)，第一步的“球化”是使輸出z(t)的各個(gè)

28、分量z1(t)、z2(t)等等的方差為1，并且互不相關(guān)（但不一定相互獨(dú)立）；第二步的“正交變換”是使輸出的分量y1、y2等等的方差繼續(xù)保持為1，同時(shí)使其相互獨(dú)立。</p><p>　　由于輸出的z1(t)、z2(t)等分量均滿(mǎn)足了二階統(tǒng)計(jì)量中對(duì)于獨(dú)立性的要求，因此進(jìn)行第二步的時(shí)候我們只需要考慮三階以上的統(tǒng)計(jì)量（通常情況下主要是三階和四階統(tǒng)計(jì)量），來(lái)使算法能夠簡(jiǎn)化。因此在各種文獻(xiàn)中，有時(shí)能看到將ICA成為一種“對(duì)于

29、任意多變量數(shù)據(jù)來(lái)尋求一種非正交坐標(biāo)系統(tǒng)的分解方法”。其中的坐標(biāo)軸方向是由二階以及高階統(tǒng)計(jì)量來(lái)決定的。</p><p>　　圖2-1中的流程圖中并沒(méi)有考慮噪聲，這種情況下的模型如下：</p><p>　　1、無(wú)噪聲ICA模型</p><p>　　給定隨機(jī)變量的一組觀測(cè)x1(t)、x2(t)、x3(t)… xn(t)，其中t是樣本或者時(shí)間的編號(hào)，假設(shè)他們是由獨(dú)立分量線(xiàn)性

30、混合而成的：</p><p><b>　　(2.1)</b></p><p>　　式中的A即為混合系統(tǒng)，是一個(gè)未知矩陣。</p><p>　　用向量和矩陣符號(hào)方式來(lái)表述上式。隨機(jī)向量x指混合向量，由x1、x2… xn組成，s指元素s1、s2… sn，A指混合矩陣系數(shù)aij。</p><p>　　利用向量和矩陣符號(hào)，可以

31、將混合模型表示成如下形式：</p><p><b>　　(2.2)</b></p><p>　　如果在計(jì)算中要用到混合系統(tǒng)A中的列向量時(shí)，前模型也可以寫(xiě)為如下形式：</p><p><b>　　(2.3)</b></p><p>　　當(dāng)我們將噪聲的情況考慮進(jìn)去時(shí)，會(huì)得到以下情況。</p>

32、<p>　　2、有噪聲ICA模型</p><p>　　現(xiàn)實(shí)中很大部分情況，在語(yǔ)音信號(hào)處理中是有加性噪聲的存在的，我們將上面基本無(wú)噪聲ICA模型擴(kuò)展到有噪聲的情況下，就會(huì)得到如下新的模型：</p><p><b>　　(2.4)</b></p><p><b>　　式中的是噪聲向量。</b></p>

33、<p>　　如果噪聲是直接添加在原信號(hào)的情況下時(shí)，信號(hào)原噪聲可用如下公式來(lái)表示：</p><p><b>　　(2.5)</b></p><p>　　以上即為有噪聲情況下的ICA模型。</p><p><b>　　語(yǔ)音信號(hào)特性與分析</b></p><p><b>　　語(yǔ)音的

34、特性</b></p><p>　　語(yǔ)音，即語(yǔ)言的物質(zhì)外殼，是人類(lèi)交談的語(yǔ)言符號(hào)的傳輸系統(tǒng)。語(yǔ)音由人的發(fā)聲系統(tǒng)發(fā)出，承載著語(yǔ)言意義。</p><p>　　語(yǔ)音的物理基礎(chǔ)主要為音長(zhǎng)、音強(qiáng)、音調(diào)、音色，這是語(yǔ)音的四要素。</p><p>　　音長(zhǎng)，取決于發(fā)聲持續(xù)時(shí)間的長(zhǎng)短，也可稱(chēng)之為“時(shí)長(zhǎng)”；音強(qiáng)指聲波振動(dòng)幅度的大小，也稱(chēng)“響度”；音調(diào)指聲波的頻率，即每秒鐘振

35、動(dòng)次數(shù)的多少，頻率快則音調(diào)高，慢則音調(diào)低；音色指聲音的本質(zhì)與特色，也稱(chēng)為“音質(zhì)”，是一種聲音相較于其余聲音信號(hào)辨識(shí)度的基本特質(zhì)。</p><p>　　語(yǔ)音信號(hào)有如下兩點(diǎn)特性：</p><p><b>　　1、短時(shí)平穩(wěn)性</b></p><p>　　由對(duì)語(yǔ)音信號(hào)的研究我們可以知道，語(yǔ)音信號(hào)是一種不平穩(wěn)并且會(huì)隨時(shí)間改變的傳輸信號(hào)。而從另一個(gè)角度來(lái)說(shuō)

36、，人的發(fā)聲系統(tǒng)的結(jié)構(gòu)在一定時(shí)間內(nèi)的變化是有限的，在極短的時(shí)間內(nèi)（10~30ms），人的聲帶形狀是基本穩(wěn)定不變的。由此我們可以認(rèn)為語(yǔ)音的特性在較短的時(shí)間內(nèi)是穩(wěn)定不變的，語(yǔ)音的短時(shí)平穩(wěn)性是我們進(jìn)行語(yǔ)音信號(hào)分析以及處理的基礎(chǔ)。</p><p><b>　　2、清音和濁音</b></p><p>　　語(yǔ)音主要分為清音、濁音以及爆破音三種，它們?cè)诋a(chǎn)生的方式上有極大的差別，在這里

37、我們只討論清音與濁音。</p><p>　　清音由隨機(jī)性噪音所產(chǎn)生，在時(shí)域和頻域上并無(wú)明顯周期性及特征，與白噪音相似；而濁音由周期性脈沖產(chǎn)生，在時(shí)域上有非常明顯的周期性，在頻域上濁音的能量主要出現(xiàn)在低頻段中，并且會(huì)有共振峰結(jié)構(gòu)。</p><p><b>　　3、語(yǔ)音的時(shí)域特征</b></p><p>　　在大部分情況下，發(fā)聲人說(shuō)話(huà)內(nèi)容時(shí)間均不同

38、，毫無(wú)規(guī)律可言，所以語(yǔ)音信號(hào)是隨時(shí)改變的，但是由語(yǔ)音的短時(shí)平穩(wěn)性作為基礎(chǔ)，我們才可以在語(yǔ)音處理中進(jìn)行計(jì)算與分析。人在講話(huà)時(shí)，句與句、字與字之間必然會(huì)存在一定時(shí)間內(nèi)的間隔，因此從時(shí)域上來(lái)看，語(yǔ)音信號(hào)可以分為兩種音段：有音段和無(wú)音段。通過(guò)檢測(cè)語(yǔ)音信號(hào)中有音段和無(wú)音段，可以去除語(yǔ)音中比較明顯的噪聲，且無(wú)音段越多，語(yǔ)音的稀疏性就越好。</p><p><b>　　4、語(yǔ)音的頻域特征</b></

39、p><p>　　語(yǔ)音信號(hào)中，頻譜能量一般集中于的區(qū)間中。由于語(yǔ)音信號(hào)主要分為濁音和清音，濁音信號(hào)所含的能量較多，占據(jù)整個(gè)語(yǔ)音信號(hào)的大部分，頻譜集中在低頻段，并且會(huì)表現(xiàn)出周期性；清音信號(hào)出現(xiàn)則較隨機(jī)，在頻譜圖上基本與白噪音類(lèi)似。</p><p>　　有關(guān)語(yǔ)音信號(hào)處理的基礎(chǔ)知識(shí)</p><p>　　根據(jù)所要分析的參數(shù)的不同，語(yǔ)音信號(hào)處理的手段又可分為時(shí)域、頻域、倒頻域等手段

40、。其中時(shí)域分析較簡(jiǎn)潔，并且物理意義十分明確。</p><p>　　在進(jìn)行頻譜分析時(shí)，我們需要對(duì)語(yǔ)音信號(hào)進(jìn)行加窗處理，通過(guò)一個(gè)波形函數(shù)的分段來(lái)使得每次只需要處理“窗”所分出的數(shù)據(jù)。由于在顯示中，語(yǔ)音信號(hào)一般有一定長(zhǎng)度，而我們并不需要對(duì)所有數(shù)據(jù)進(jìn)行一次性處理。語(yǔ)音信號(hào)一般是在10~30ms之間，我們可將其視為平穩(wěn)的。因此我們可以每次只取一段數(shù)據(jù)，進(jìn)行分析，然后取下一段數(shù)據(jù)分析，依此類(lèi)推。</p><

41、;p>　　由于人說(shuō)話(huà)的聲音可分為濁音、清音以及靜音三部分，所以我們需要改變?cè)Z(yǔ)音的基音頻率，來(lái)達(dá)到變聲的目的。方法是直接將采樣數(shù)據(jù)乘一個(gè)余弦函數(shù)，通過(guò)這種方法可以將原語(yǔ)音信號(hào)的頻段調(diào)到一個(gè)更高的頻段，來(lái)達(dá)到變聲的目的。這種方法適于分析時(shí)域及頻域特效。</p><p>　　語(yǔ)音信號(hào)的MATLAB程序</p><p>　　輸入語(yǔ)音信號(hào)的MATLAB波形圖分析</p><

42、;p>　　在實(shí)驗(yàn)中，我們通過(guò)Matlab來(lái)處理選取的音頻文件，因?yàn)镸atlab僅支持格式的音頻文件讀取及處理，因此我在網(wǎng)上找了三個(gè)wav音頻來(lái)進(jìn)行模擬算法，分別為信號(hào)一：天下無(wú)賊中的對(duì)白；信號(hào)二：龍吼的聲音；信號(hào)三：一段薩克斯音樂(lè)，來(lái)確保三種信號(hào)沒(méi)有類(lèi)似性。</p><p>　　通過(guò)書(shū)籍以及網(wǎng)絡(luò)查閱，編寫(xiě)了程序來(lái)用matlab對(duì)這三個(gè)音頻信號(hào)進(jìn)行處理及分析，程序如附錄所示。</p><p

43、><b>　　圖3-1</b></p><p>　　混合語(yǔ)音信號(hào)的MATLAB波形圖分析</p><p>　　通過(guò)程序處理，來(lái)將以上三個(gè)原始信號(hào)進(jìn)行混合，然后用來(lái)模擬ICA算法，下為經(jīng)過(guò)程序處理混合后的語(yǔ)音信號(hào)的波形圖分析，程序如附錄所示。</p><p><b>　　圖3-2</b></p><

44、p><b>　　FastICA算法</b></p><p>　　語(yǔ)音信號(hào)數(shù)據(jù)的預(yù)處理</p><p>　　在大多數(shù)情況下，我們進(jìn)行語(yǔ)音信號(hào)盲處理時(shí)得到的數(shù)據(jù)都具有著相關(guān)性，所以需要在處理之前對(duì)數(shù)據(jù)進(jìn)行球化，因?yàn)榍蚧幚砜扇コ鱾€(gè)觀測(cè)信號(hào)之間的相關(guān)性，使得之后在提取獨(dú)立分量的過(guò)程中更加簡(jiǎn)單一些。并且很多時(shí)候，將進(jìn)行了球化處理的結(jié)果與未進(jìn)行球化處理的結(jié)果來(lái)比較可以發(fā)

45、現(xiàn)，前者的收斂性往往更好。</p><p>　　對(duì)語(yǔ)音信號(hào)數(shù)據(jù)進(jìn)行預(yù)處理的方式如下：</p><p>　　假設(shè)一個(gè)零均值的隨機(jī)向量Z=(Z1，Z2，… ,ZM)T滿(mǎn)足E{ZZT}=I，即可稱(chēng)該向量為球化向量。球化處理即為去相關(guān)，與主分量分析是目標(biāo)一致的。在ICA中，對(duì)于均值為0的獨(dú)立原信號(hào)S(t)=[S1(t),S2(t),…,Sn(t)]T，有E{SiSj}=E{Si}E{Sj}=0，當(dāng)

46、i≠j，并且其協(xié)方差矩陣是單位陣cov(S)=I，由此可以得知原信號(hào)S(t)是球化的。接下來(lái)對(duì)觀測(cè)信號(hào)X(t)，我們需要尋找一個(gè)線(xiàn)性變換，來(lái)讓在投影到新的子空間后會(huì)變成球化向量，即：</p><p><b>　　(4.1)</b></p><p>　　其中W0為球化矩陣，Z為球化向量。</p><p>　　接下來(lái)用主分量分析，通過(guò)計(jì)算樣本向量能

47、夠得到一個(gè)變換：</p><p><b>　　(4.2)</b></p><p>　　上式中代表協(xié)方差矩陣CX的特征值矩陣，U代表協(xié)方差矩陣CX的特征向量矩陣。</p><p>　　由此我們可以得知，線(xiàn)性變換W0滿(mǎn)足球化變換的要求，由正交變換的規(guī)律，能夠保證UTU=UUT=I。因此協(xié)方差矩陣能夠?qū)懗扇缦滦问剑?lt;/p><p&

48、gt;<b>　　(4.3)</b></p><p>　　接下來(lái)將X(t)=AS(t)代入到Z(t)=W0X(t)，并令，有</p><p><b>　　(4.4)</b></p><p>　　因?yàn)樯鲜街芯€(xiàn)性變換是連接兩個(gè)球化隨機(jī)矢量和，我們可以得知必然是正交變換。假如我們將上式中的視為一個(gè)新的觀測(cè)信號(hào)，那么可以認(rèn)為，我們

49、將原混合矩陣A經(jīng)過(guò)球化簡(jiǎn)化成為了一個(gè)新的正交矩陣。</p><p>　　正交變換相當(dāng)于是對(duì)多維矢量所在的坐標(biāo)軸進(jìn)行了一次旋轉(zhuǎn)。在多維情況下，混合矩陣A是NN的，經(jīng)過(guò)球化處理之后的新混合矩陣，因?yàn)槠浔旧頌檎痪仃嚕杂啥认陆禐椋钥梢哉f(shuō)球化處理能使我們進(jìn)行ICA問(wèn)題的工作量降低了很多。</p><p>　　在ICA問(wèn)題的處理中，進(jìn)行球化處理的方法可以有效降低問(wèn)題的計(jì)算量和復(fù)雜度，并且算法不

50、算困難，通過(guò)傳統(tǒng)PCA即可解決。</p><p>　　FastICA 算法</p><p>　　FastICA 算法，也稱(chēng)為固定點(diǎn)（Fixed-Point）算法，是一種快速尋優(yōu)迭代算法，有效的統(tǒng)一了自適應(yīng)與批處理的計(jì)算方式，在每一次迭代過(guò)程中都運(yùn)算了大量的樣本數(shù)據(jù)。FastICA 算法有很多種形式，如基于峭度、基于似然最大、基于負(fù)熵等等，在這里我們主要使用基于負(fù)熵的ICA算法。</p

51、><p>　　1997年，芬蘭赫爾辛基大學(xué)學(xué)者 Aapo Hyvärinen等人率先提出了一種基于四階累積量的固定點(diǎn)算法，并且在這之后他們于1999年又提出了一種改進(jìn)的方法——基于負(fù)熵的ICA固定點(diǎn)算法。而在2001年，他們?cè)诔霭娴腎ndependent Component Analysis一書(shū)中，進(jìn)行了進(jìn)一步的簡(jiǎn)化。由于新的算法相較于自適應(yīng)以及批處理算法具有更快的收斂速度，由此這種算法也稱(chēng)“快速I(mǎi)CA算法

52、”（fast ICA，F(xiàn)ICA）。</p><p>　　由于FastICA算法是以負(fù)熵最大作為尋找方向的，所以我們需要先確定下負(fù)熵的判斷條件。從信息論理論中，我們可以知道：如果所有隨機(jī)變量均為等方差的情況下，那么其中高斯變量的熵是最大的。所以我們能夠利用這個(gè)性質(zhì)來(lái)度量非高斯性。由中心極限定理，如果一個(gè)隨機(jī)變量X由許多相互獨(dú)立的隨機(jī)變量Si(i=1,2,3,…n)之和組成，那么只要Si具有有限的均值與方差，不論它是

53、哪種分布，隨機(jī)變量X必然比Si更接近高斯分布。所以，在分離的過(guò)程中，能夠使用分離結(jié)果的非高斯性的度量來(lái)表示分離結(jié)果之間的獨(dú)立性。各獨(dú)立分量分離完成的條件就是其非高斯性的度量達(dá)到最大值。</p><p><b>　　負(fù)熵的定義：</b></p><p><b>　　(4.5)</b></p><p>　　上式中的是一個(gè)和Y擁

54、有相同方差的高斯隨機(jī)變量；是該隨機(jī)變量的微分熵。其式如下：</p><p><b>　　(4.6)</b></p><p>　　根據(jù)信息論的理論我們可以知道，如果幾個(gè)隨機(jī)變量有相同的方差，那么高斯分布的隨機(jī)變量具有較大的微分熵。當(dāng)上式中的Y具有高斯分布時(shí)，；并且的非高斯性越強(qiáng)，它的微分熵就會(huì)越小，的值也會(huì)相對(duì)越大，所以我們可以將作為隨機(jī)變量Y的非高斯性測(cè)度。</

55、p><p>　　但是因?yàn)橛?jì)算微分熵需要知道Y的概率密度分布函數(shù)，而我們并不能得知這點(diǎn)，因此只能采取下式作為近似算法：</p><p><b>　　(4.7)</b></p><p>　　其中是均值運(yùn)算；為非線(xiàn)性函數(shù)，可以設(shè)g1(y)=tanh(y)，或，亦或者。在這里，由于，所以通常取=1。</p><p>　　快速I(mǎi)CA算

56、法的目的是找到一個(gè)方法來(lái)使得WTX(Y=WTX)的非高斯性達(dá)到最大。快速I(mǎi)CA算法的推導(dǎo)過(guò)程如下：</p><p>　　第一，通過(guò)對(duì)E{G(WTX)}進(jìn)行優(yōu)化來(lái)得到WTX的最大近似負(fù)熵。由Kuhn-Tucker條件可得，E{(WTX)2}=||W||2=1的約束條件下，E{G(WTX)}能再滿(mǎn)足下式的條件點(diǎn)上得到最優(yōu)值：</p><p><b>　　(4.8)</b>

57、</p><p>　　上式中，的值恒定，,W0是優(yōu)化后的W。接下來(lái)用F來(lái)表示(4.8)式左邊的函數(shù)，可以得到F的雅克比矩陣JF(W)：</p><p><b>　　(4.9)</b></p><p>　　為了簡(jiǎn)化以上的矩陣求逆過(guò)程，我們可以將其近似為(4.9)式的第一項(xiàng)。因?yàn)閿?shù)據(jù)已經(jīng)進(jìn)行了球化處理，有，得到下式：</p><

58、p><b>　　(4.10)</b></p><p>　　由上式的變換，雅克比矩陣變?yōu)榱藢?duì)角陣，較易進(jìn)行求逆計(jì)算。計(jì)算得到以下近似牛頓迭代公式：</p><p><b>　　(4.11)</b></p><p>　　在上式中，是W的新值，，將解進(jìn)行規(guī)范化能有有效提高解的穩(wěn)定性。簡(jiǎn)化后即可得快速I(mǎi)CA算法的迭代公式如下

59、：</p><p><b>　　(4.12)</b></p><p>　　在實(shí)際應(yīng)用中，快速I(mǎi)CA算法所要用到的期望要用其估計(jì)值來(lái)取代。最好的估計(jì)值必然是數(shù)據(jù)相應(yīng)的樣本平均。在理想條件下，快速I(mǎi)CA算法應(yīng)該計(jì)算所有的樣本有效數(shù)據(jù)，但是這樣會(huì)大大降低計(jì)算效率。因此，通常在實(shí)際應(yīng)用中，我們要取一部分樣本的平均來(lái)作為估計(jì)值，而這樣做會(huì)使得估計(jì)的精確度很大限度上受制于所取樣本

60、數(shù)目的多少。因此在迭代計(jì)算中，樣本應(yīng)該分別來(lái)選取。如果計(jì)算中的收斂并不理想的話(huà)，應(yīng)該相應(yīng)增加樣本數(shù)量來(lái)提高收斂度和估計(jì)的精確度。</p><p>　　快速I(mǎi)CA算法分離的基本步驟</p><p>　　將觀測(cè)數(shù)據(jù)中心化，使其均值為0：</p><p><b>　　(4.13)</b></p><p>　　對(duì)數(shù)據(jù)球化處理，求

61、自相關(guān)系數(shù)以及對(duì)自相關(guān)系數(shù)：</p><p>　　自相關(guān)系數(shù)： (4.14)</p><p>　　對(duì)自相關(guān)系數(shù)：

62、 (4.15)</p><p>　　球化處理： (4.16)</p><p>　　選擇一個(gè)任意正交矩陣作為初始權(quán)矢量W0；</p><p>　　用迭代公式更新每一列Wi，令</p><p><b>　

63、　(4.17)</b></p><p>　　其中非線(xiàn)性函數(shù)g可以使用以下函數(shù)：</p><p><b>　　(4.18)</b></p><p><b>　　將W正交化：</b></p><p><b>　　(4.19)</b></p><p&g

64、t;　　如果W不收斂（迭代后的改變更大），則返回第四步。</p><p><b>　　混合語(yǔ)音信號(hào)波形圖</b></p><p>　　在論文上一部分中，已經(jīng)得到了通過(guò)隨機(jī)混合矩陣進(jìn)行混合的語(yǔ)音信號(hào)的波形圖，如下所示：</p><p><b>　　圖4-1</b></p><p><b>　

65、　分離語(yǔ)音信號(hào)波形圖</b></p><p>　　對(duì)得到的混合語(yǔ)音信號(hào)進(jìn)行ICA分離，通過(guò)matlab編程處理的算法進(jìn)行分析，得到了如下三個(gè)分離出的語(yǔ)音信號(hào)的波形圖，如下圖所示：</p><p><b>　　圖4-2</b></p><p><b>　　對(duì)比與分析</b></p><p>

66、;　　通過(guò)將原信號(hào)與分離信號(hào)放在一起直觀對(duì)比進(jìn)行分析：</p><p><b>　　圖4-3</b></p><p>　　通過(guò)對(duì)比原語(yǔ)音信號(hào)和進(jìn)行FICA分離之后得到的語(yǔ)音信號(hào)的波形圖以及聽(tīng)取分離后得到音頻文件，我們可以發(fā)現(xiàn)如下幾點(diǎn)：</p><p>　　FICA算法比較有效的對(duì)語(yǔ)音信號(hào)進(jìn)行了分離；</p><p>　　

67、在多次試驗(yàn)中我們發(fā)現(xiàn)FICA算法不可避免的打亂了輸入信號(hào)和輸出信號(hào)的順序，在上圖這次試驗(yàn)中，原信號(hào)1是對(duì)應(yīng)解混信號(hào)3，原信號(hào)2是對(duì)應(yīng)解混信號(hào)1，原信號(hào)3是對(duì)應(yīng)解混信號(hào)2；</p><p>　　FICA算法對(duì)信號(hào)的幅值有較大改變，證明FICA算法可用于信號(hào)的放大處理上。</p><p><b>　　結(jié)論</b></p><p>　　通過(guò)以上的實(shí)驗(yàn)

68、部分，我們能夠得出快速I(mǎi)CA算法可以有效的進(jìn)行語(yǔ)音信號(hào)的分離處理。達(dá)到了實(shí)驗(yàn)的初衷：實(shí)現(xiàn)一個(gè)快速I(mǎi)CA算法，并將其應(yīng)用于語(yǔ)音信號(hào)上，檢驗(yàn)其效果。并且得出了快速I(mǎi)CA算法的幾點(diǎn)特點(diǎn)，而且發(fā)現(xiàn)這種方法在語(yǔ)音信號(hào)的放大上存在的潛力。但是本次實(shí)驗(yàn)也有幾點(diǎn)缺點(diǎn)，比如沒(méi)有能對(duì)比語(yǔ)音信號(hào)混合和分離的頻譜及幅值等信號(hào)圖，如果這些信息全部可以得到的話(huà)對(duì)本次實(shí)驗(yàn)?zāi)軌蚋姓f(shuō)服力。</p><p>　　在本次畢業(yè)設(shè)計(jì)的工作中，我首先閱讀

69、了關(guān)于獨(dú)立分量分析及快速I(mǎi)CA算法的相關(guān)資料，制定了本次畢業(yè)設(shè)計(jì)的工作時(shí)間安排及進(jìn)程。上網(wǎng)學(xué)習(xí)matlab的使用方法及尋找相關(guān)程序信息，收集并編輯可用的語(yǔ)音信號(hào)，通過(guò)matlab進(jìn)行算法的編程及調(diào)試，然后進(jìn)行了本次實(shí)驗(yàn)，最后撰寫(xiě)論文。</p><p><b>　　致謝</b></p><p><b>　　主要參考文獻(xiàn)</b></p>