本文關(guān)鍵詞： 欠定信號分離 盲分離 單通道 人工蜂群算法 蒙特卡洛馬爾科夫鏈 廣義高斯分布 非負(fù)矩陣分解 語音增強　出處：《西南交通大學(xué)》2014年博士論文　論文類型：學(xué)位論文

【摘要】：信號分離和重構(gòu)是近年來信號處理領(lǐng)域的研究熱點,它已經(jīng)被廣泛應(yīng)用到語音和圖像信號處理、生物醫(yī)學(xué)信號處理、雷達(dá)、通信等許多領(lǐng)域。當(dāng)在混合過程未知、源信號未知的情況下,利用少量先驗信息,從觀測到的混合信號中恢復(fù)出源信號稱為盲源分離。以往的研究多假設(shè)混合信號的個數(shù)多于或等于源信號的個數(shù),但是實際情況下,這個條件往往不能滿足,因此研究源信號個數(shù)多于混合信號個數(shù)的欠定信號分離更具有實際意義。本文將研究欠定信號分離問題,包括多通道的欠定信號分離,單通道信號分離及其在語音分離、語音增強中的應(yīng)用。論文的主要工作概括如下：1.針對弱稀疏信號的欠定盲分離魯棒性差的問題,提出了一種基于單源點檢測和人工蜂群算法的盲分離方法。首先分析了已有單源點檢測算法的不足,并通過相鄰幀觀測信號的實虛部來檢測單源點,然后通過兩階段采用不同搜索策略和編碼方式的人工蜂群算法對混合矩陣進(jìn)行估計。在全局搜索階段,定義了一種適合于“線聚類”的全局目標(biāo)函數(shù),充分利用聚類的特點,通過改變蜂群的行為方式,提高了算法的收斂速度；在局部搜索階段,定義了局部目標(biāo)函數(shù),通過子蜂群之間的協(xié)同作業(yè),進(jìn)一步提高了混合矩陣估計的精度。最后,通過線性規(guī)劃法恢復(fù)出源信號。該方法對初始值不敏感,在源個數(shù)較多、弱稀疏、低信噪比的情況下仍然可以很好完成對源信號的分離,而且不需要太大的計算量。2.針對源信號在時頻點相互重疊的情況,提出了基于局部混合模型和源信號活動狀態(tài)判斷的欠定盲分離方法。在每個時頻點激活源信號個數(shù)不超過混合信號個數(shù)和源信號具有局部平穩(wěn)性的條件下,得到了局部混合模型來描述局部區(qū)域內(nèi)觀測信號的分布。將各時頻點上源信號的活動狀態(tài)作為隱變量,通過最大期望算法估計局部區(qū)域的方差參數(shù)和權(quán)重因子,以此獲得源信號狀態(tài)的最大后驗估計,并由此恢復(fù)出源信號。該方法不要求局部區(qū)域內(nèi)各時頻點的主導(dǎo)源必須是完全一樣的,可以對每個時頻點的源信號狀態(tài)進(jìn)行獨立的判斷。實驗結(jié)果表明,該方法具有很快的收斂速度和更好的分離性能。3.針對不同分布類型的源信號,提出一種基于廣義高斯模型和馬爾科夫鏈蒙特卡洛的子空間欠定盲分離方法。用廣義高斯分布來擬合源信號的分布,將模型參數(shù)看作隨機變量。為了解決零空間隱變量和參數(shù)的聯(lián)合后驗條件概率密度函數(shù)的高維多重積分無法實現(xiàn)的問題,根據(jù)子空間性質(zhì)推導(dǎo)出所有的全條件概率密度,然后通過Gibbs和Metropolis-Hastings混合抽樣,得到源信號的最小均方誤差估計。該方法即可以對超高斯信號(稀疏信號)進(jìn)行分離,也可以對次高斯信號(非稀疏信號)進(jìn)行分離,而且解決了模型參數(shù)估計容易陷入局部極值點、魯棒性差的問題。將該方法用于非稀疏區(qū)的信號分離,提出了基于非稀疏評判準(zhǔn)則的欠定盲分離方法,進(jìn)一步提高了語音信號的分離性能。4.研究了混響環(huán)境中的語音信號欠定盲分離問題。針對卷積盲分離的頻域解決方案,提出了基于子頻段和人工蜂群算法的排序校正方法,該方法可以更好的解決排序模糊的問題。針對偽消聲解決方案,提出了觀測信號的局部廣義高斯混合模型,進(jìn)一步討論了語音信號的最佳局部分布,然后通過該模型分離出語音信號。該方法可以提高分離效果,不需要解決排序模糊的問題。5.將單通道信號分離應(yīng)用于語音增強,提出了一種基于非負(fù)矩陣分解的單通道語音增強算法。基于非負(fù)矩陣分解的語音增強方法對于非平穩(wěn)噪聲具有更好的去噪能力,通過對帶噪語音的幅度譜進(jìn)行非負(fù)矩陣分解,得到語音和噪聲的基矩陣和時變增益系數(shù)矩陣,進(jìn)而通過維納濾波分離出語音信號和噪聲。由于噪聲的時變增益系數(shù)在相鄰時間幀具有較強的相關(guān)性,通過在目標(biāo)函數(shù)中增加相關(guān)性約束項來提高語音和噪聲時變增益系數(shù)的估計精度。針對該目標(biāo)函數(shù),給出了一種有效的算法對其進(jìn)行優(yōu)化,從而可以更好的達(dá)到語音增強的目的。
[Abstract]:......
【學(xué)位授予單位】：西南交通大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2014
【分類號】：TN912.3

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張賢達(dá),保錚;盲信號分離[J];電子學(xué)報;2001年S1期

2 謝勝利,章晉龍;基于旋轉(zhuǎn)變換的最小互信息量盲分離算法[J];電子學(xué)報;2002年05期

3 何培宇,殷斌,P.C.W.Sommen;一種有效的語音盲信號分離簡化混合模型[J];電子學(xué)報;2002年10期

4 凌燮亭;近場寬帶信號源的盲分離[J];電子學(xué)報;1996年07期

5 陳曉軍;成昊;唐斌;;基于ICA的雷達(dá)信號欠定盲分離算法[J];電子與信息學(xué)報;2010年04期

6 謝勝利;何昭水;傅予力;;基于稀疏元分析的欠定混疊自適應(yīng)盲分離方法[J];中國科學(xué)(E輯:信息科學(xué));2007年08期

7 肖明;謝勝利;傅予力;;欠定情形下語音信號盲分離的時域檢索平均法[J];中國科學(xué)(E輯:信息科學(xué));2007年12期

8 郭文強;邱天爽;查代奉;;基于Borel測度峰值判定的欠定混合盲語音信號分離[J];通信學(xué)報;2007年09期

9 高鷹;謝勝利;許若寧;李朝暉;;基于粒子群優(yōu)化算法的稀疏信號盲分離[J];系統(tǒng)仿真學(xué)報;2006年08期

10 馮大政,保錚,張賢達(dá);信號盲分離問題多階段分解算法[J];自然科學(xué)進(jìn)展;2002年03期

相關(guān)博士學(xué)位論文 前7條

1 趙敏;盲信號分離的原理及其關(guān)鍵問題的研究[D];華南理工大學(xué);2010年

2 陳雷;基于群智能優(yōu)化方法的盲信號分離算法研究[D];天津大學(xué);2011年

3 成昊;多分量信號分離與參數(shù)估計研究[D];電子科技大學(xué);2012年

4 劉凱;粒子濾波在單通道信號分離中的應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2007年

5 張華;基于聯(lián)合（塊）對角化的盲分離算法的研究[D];西安電子科技大學(xué);2010年

6 徐先峰;利用參量結(jié)構(gòu)解盲源分離算法研究[D];西安電子科技大學(xué);2010年

7 劉寧;盲信源分離的若干問題研究[D];西安電子科技大學(xué);2012年

，

本文編號：1537310