【摘要】：隨著聲音定位技術(shù)的發(fā)展和應(yīng)用需求的增加,越來越多的領(lǐng)域需要對不同種類的目標聲源進行定位,但是在許多環(huán)境中,除了需要定位的目標聲源發(fā)出的聲音之外,一般還會有其它聲源發(fā)出的聲音信號,而且一般并不清楚這些聲音的特性,并且它們的聲道傳播模型也是未知的,因此很難用傳統(tǒng)的信號處理方法來實現(xiàn)聲源定位。在多音源、源信號和混合信道模型均未知的情況下進行聲音定位,首先需要進行聲音信號的盲信號分離。雖然聲源和聲音傳播模型是未知的,但是這些聲音信號之間通常是滿足統(tǒng)計獨立的,因此可以用獨立成分分析來解決盲信號分離問題。本文將獨立成分分析與聲源定位結(jié)合起來,解決復(fù)雜環(huán)境下的聲源定位問題。本文首先介紹了獨立成分分析的基本理論和相關(guān)知識,然后對兩個常用的算法進行了詳細的介紹:一是基于負熵最大化的快速固定點算法,它是采用負熵作為源信號之間統(tǒng)計獨立特性的度量準則,利用近似的牛頓迭代法計算獨立成分;二是聯(lián)合近似對角化算法,它是通過信號的累積張量構(gòu)建聯(lián)合矩陣,之后采用近似對角化的方法對混合信號的分離矩陣進行估計計算。然后對這兩種常用的算法進行了仿真,驗證算法在處理盲信號分離問題中的有效性并比較了它們的性能差異。因為得到分離信號之后還要從中找出需要定位的目標聲音信號,所以本文對聲音信號的識別問題做了研究,介紹了在聲音識別問題中常用的頻域特征參數(shù)和常用的聲音識別算法,并用將梅爾倒譜系數(shù)作為特征參數(shù)、動態(tài)識別規(guī)整作為聲音信號的識別方法,對分離信號進行了識別,從中找到需要定位的目標聲音。最后,對整個系統(tǒng)進行了功能測試和分析。建立麥克風(fēng)陣列采集環(huán)境中的聲音信號,然后利用FastICA實現(xiàn)混合聲音信號的分離,對分離信號通過提取梅爾倒譜系數(shù)作為特征參數(shù),與數(shù)據(jù)庫里的特征采用動態(tài)時間規(guī)整進行識別,找出目標聲音之后再通過TDOA算法計算位置信息。測試結(jié)果表明,該系統(tǒng)可以實現(xiàn)復(fù)雜混合聲音情況下對目標聲音的定位。
【圖文】：

分離所要做的工作就是在得到觀測信號ｘ的情況下，根據(jù)觀測信號的統(tǒng)計獨立特逡逑性，從中估計出解混矩陣Ｗ，最終得到分離信號ｙ，邋ｙ越逼近源信號ｓ，表明分逡逑離效果就越好。比如，觀察圖２－４中的三個混合聲音信號，假設(shè)它們是三個相互逡逑獨立的源聲音信號的混合，利用它們相互統(tǒng)計獨立性的信息，可以估計出解混矩逡逑陣Ｗ，從而得到圖２－５中的源信號。逡逑２邐Ｉ邋Ｊ邐！邐Ｉ邐Ｉ邐Ｉ邐Ｉ邐Ｉ邐Ｉ邐Ｉ逡逑／Ａ邋｜｜Ａ邐＾邐＾邐＾邐ｊｋ－逡逑１７邋Ｖ＇邋ｓ邋１＇＾邋Ｖ邋＾邋Ｉｆ邋ｗ邋＾逡逑ｒ邐Ｉ邋Ｉ邐Ｉ邐Ｉ逡逑１邐邐Ｉ邐ｉ邐Ｉ邐Ｉ邐Ｉ邐Ｉ邐Ｉ邐？邐Ｉ邐Ｊ邐逡逑０邐５０邐１ＣＸ）邐１５０邐２００邐２５０邐３００邐３５０邐４００邐４５０邐５００逡逑４邐Ｉ邐ｉ邐Ｉ邐Ｉ邐Ｉ邐！邐ｉ邐ｉ邐！逡逑２邐邐｜邐！邐｜邐｜邐｜邐｜邐｜邐｜邐Ｉ邐逡逑０邐５０邐１００邐１５０邐２００邐２５０邐３００邐３５０邐４００邐４５０邐５００逡逑４邐Ｉ邐Ｉ邐Ｉ邐Ｉ邐Ｉ邐Ｉ邐ｉ邐Ｉ邐Ｉ逡逑ｌ：ｉＭ＼於＃秦賽，瞻ｆ道逡逑２邐ｉ邐ｉ邐ｉ邐ｉ邐ｉ邐ｉ邐ｉ邐ｉ邐ｊ邐逡逑０邐

未知信號邐接收信號邐分離信號逡逑ｓＸｔ）邋．邋Ｉ邐＾（０邐．１邐ｙ，（ｔ）、逡逑ｉ邋■－＞邐＞逡逑＾（０邐ｘ？（０邐、邐少２（０邐、逡逑丨邐）混合矩陣邐＾解混矩陣邐邐邐＞逡逑Ａ邐Ｗ逡逑、邐＾（0邐、邐ｙＪＯ邋，逡逑１邋ｖ］邐邋邐邋ｖ逡逑圖２－３盲信號分離系統(tǒng)模型逡逑為了使問題更加簡單，假設(shè)從源信號到接收信號中沒有噪聲的干擾，盲信號逡逑分離所要做的工作就是在得到觀測信號ｘ的情況下，根據(jù)觀測信號的統(tǒng)計獨立特逡逑性，從中估計出解混矩陣Ｗ，最終得到分離信號ｙ，，邋ｙ越逼近源信號ｓ，表明分逡逑離效果就越好。比如，觀察圖２－４中的三個混合聲音信號，假設(shè)它們是三個相互逡逑獨立的源聲音信號的混合，利用它們相互統(tǒng)計獨立性的信息，可以估計出解混矩逡逑陣Ｗ，從而得到圖２－５中的源信號。逡逑２邐Ｉ邋Ｊ邐！邐Ｉ邐Ｉ邐Ｉ邐Ｉ邐Ｉ邐Ｉ邐Ｉ逡逑
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TN912.3

【參考文獻】

相關(guān)期刊論文 前10條

1 張明;劉祥樓;姜崢嶸;;基于LPC的語音信號預(yù)測仿真分析[J];光學(xué)儀器;2015年01期

2 劉曉志;馮大偉;楊英華;秦樹凱;;基于核獨立分量分析的盲多用戶檢測算法[J];東北大學(xué)學(xué)報(自然科學(xué)版);2012年06期

3 荊雷;馬文君;常丹華;;基于動態(tài)時間規(guī)整的手勢加速度信號識別[J];傳感技術(shù)學(xué)報;2012年01期

4 張石;趙淼;王明全;吳春俐;;基于改進ICA算法的胎兒心電信號提取[J];生物醫(yī)學(xué)工程學(xué)雜志;2011年01期

5 劉婷婷;任興民;楊永鋒;;核獨立分量分析在機械振動信號分離中的應(yīng)用[J];西北工業(yè)大學(xué)學(xué)報;2011年01期

6 徐李娟;黃瑩;吳璽宏;吳艷紅;李量;;“雞尾酒會”環(huán)境中的知覺線索的去掩蔽作用[J];心理科學(xué)進展;2009年02期

7 胡洪坡;劉樹鋼;任德成;張更新;;衛(wèi)星混合信號分離中的ICA應(yīng)用技術(shù)[J];數(shù)字通信世界;2009年01期

8 張震南;;人工神經(jīng)網(wǎng)絡(luò)技術(shù)在語音識別中的應(yīng)用[J];甘肅科技縱橫;2008年04期

9 馬守科;何選森;許廣廷;;基于擴展Infomax算法的變步長在線盲分離[J];系統(tǒng)仿真學(xué)報;2007年19期

10 崔瑋瑋;曹志剛;魏建強;;聲源定位中的時延估計技術(shù)[J];數(shù)據(jù)采集與處理;2007年01期

本文編號：2664877