【摘要】：心腦血管疾病已經(jīng)成為人類最重要的殺手之一,聽力功能障礙也成為影響人們正常學(xué)習(xí)生活的重要疾病之一。將盲源分離系統(tǒng)應(yīng)用于聽診系統(tǒng)或者助聽器中都可以在很大程度上提高醫(yī)療水平或者生活質(zhì)量。在語音信號處理中,當(dāng)信號片段足夠短時(shí),通常認(rèn)為信號是穩(wěn)態(tài)的,可以應(yīng)用盲源分離及相關(guān)算法。對于語音信號的盲源分離算法一般包含時(shí)域方法與頻域方法兩大類別算法。由于時(shí)域方法計(jì)算復(fù)雜、計(jì)算量較大,所以通常使用頻域方法。通過對傳統(tǒng)獨(dú)立成分分析算法每個(gè)步驟進(jìn)行復(fù)雜度分析,復(fù)雜度主要是受到信號長度,頻點(diǎn)數(shù)目與ICA算法迭代算法收斂速度三方面的影響。那么為了降低算法復(fù)雜度可以從減少迭代的頻點(diǎn)數(shù)目和加快ICA迭代算法兩個(gè)角度。本文選用減少迭代的頻點(diǎn)數(shù)目這個(gè)角度進(jìn)行研究�，F(xiàn)階段提出的頻域獨(dú)立成分分析都是針對小間距的,對于距離類似于人雙耳間距的情況,由于會產(chǎn)生空間混疊現(xiàn)象,所以并不適用。介紹經(jīng)典的頻域獨(dú)立成分分析算法。將BSS算法應(yīng)用在語音信號中時(shí),由于我們需要對時(shí)域信號進(jìn)行傅立葉變換,所以得到的頻域信息均含有虛部,即在頻域BSS算法中需要使用ICA算法的復(fù)數(shù)形式。由此引出對復(fù)數(shù)ICA算法的介紹。由于對于語音信號的ICA算法都會產(chǎn)生兩個(gè)不確定性問題,所以經(jīng)典頻域BSS算法也需要解決這兩個(gè)不確定性問題。并且給出一些列的語音質(zhì)量的評價(jià)指標(biāo),用于作為語音分離性能評價(jià)的標(biāo)準(zhǔn)。ICA算法采用FastICA和量化自然梯度算法相結(jié)合的算法,通過大量的實(shí)驗(yàn)證明傳統(tǒng)的頻域獨(dú)立成分分析算法擁有良好的分離性能,但是也發(fā)現(xiàn)了其復(fù)雜度相對較高的問題。針對這個(gè)問題,對算法的步驟進(jìn)行相應(yīng)的分析,確定算法的復(fù)雜度主要集中在ICA迭代過程中,所以本文將研究方向定位于減少迭代頻點(diǎn)的方向上。在傳統(tǒng)頻域獨(dú)立成分分析算法的基礎(chǔ)上,將傳統(tǒng)算法中將所有頻點(diǎn)進(jìn)行分離的這一步改為分兩段進(jìn)行頻點(diǎn)選擇。第一段頻點(diǎn)選擇以協(xié)方差矩陣行列式作為分類頻點(diǎn)的依據(jù),將大于標(biāo)準(zhǔn)值的頻點(diǎn)作為初選點(diǎn),其余點(diǎn)作為未選點(diǎn)。經(jīng)過大量實(shí)驗(yàn)可以發(fā)現(xiàn),只經(jīng)過一段頻點(diǎn)選擇,會出現(xiàn)選出的初選點(diǎn)有一些頻點(diǎn)會偏離實(shí)際值的,有一定的誤差性。所以引入第二段離群算法,對第一次選出的初選點(diǎn)進(jìn)行二次篩選,選出的點(diǎn)作為最終的初選頻點(diǎn),其余的點(diǎn)作為為選點(diǎn)。經(jīng)過上述的流程,通過實(shí)驗(yàn)驗(yàn)證,發(fā)現(xiàn)可以在優(yōu)化分離性能的前提下,大幅度降低算法的復(fù)雜度在文中引入互信息的概念,將第一階段的初選頻點(diǎn)選擇的標(biāo)準(zhǔn)替換為互信息,當(dāng)互信息越小,說明隨機(jī)變量之間所攜帶的互信息越小。通過實(shí)驗(yàn)證明當(dāng)引入互信息為標(biāo)準(zhǔn)時(shí),相比原來以行列式的值為標(biāo)準(zhǔn),復(fù)雜度有所增加,但是其他的分離指標(biāo)有較大程度的提高。最后對兩種引入標(biāo)準(zhǔn)進(jìn)行分析,確定了給出了兩種標(biāo)準(zhǔn)分別適用的情形。
【圖文】：

圖 2-1 BSS 系統(tǒng)框圖音源可以符合 BSS 模型的使用要求，需要對整個(gè)系統(tǒng)的合理性假設(shè)：1.假設(shè)系統(tǒng)不存在噪聲或者噪聲微弱到討論的為低間距下的助聽模型，實(shí)際上通常為有線的情計(jì)。2.假設(shè)觀測信號數(shù)目等于聲源信號數(shù)，即認(rèn)為分離信號數(shù)目大于聲源數(shù)目，所提取的矩陣為超定矩陣，可號進(jìn)行降維，那么問題轉(zhuǎn)化為正定矩陣，而后再應(yīng)用正雙耳模型，則觀測信號為 2，那么觀測信號數(shù)小于聲源需要討論的。同的假設(shè)條件下可以抽象為不同的模型，抽象的模型從卷積混合模型倆類。當(dāng)卷積混合模型的各種假設(shè)條件瞬時(shí)混合模型。卷積混合模型中不僅包含了信號傳送的信號能量遞減和延遲，同樣也包含了環(huán)境對于信號的號的反射與混合，所以卷積模型更加符合現(xiàn)實(shí)場景的情

述列的波形圖經(jīng)過對比可以看出，，（1）獨(dú)立成分分析算法分離性能比較好。由于真原則，所以可以看出源信號與分離信號獲得對于語音信號更加精確的量化數(shù)據(jù)，價(jià)指標(biāo)對分離質(zhì)量進(jìn)行量化比較。在仿真音，進(jìn)行多次實(shí)驗(yàn)。采用 SIR、SDR、S算法的分離性能，同時(shí)記錄實(shí)驗(yàn)過程中所下表表示了在各個(gè)聲源位置記錄的實(shí)驗(yàn)結(jié)表所記錄的實(shí)驗(yàn)數(shù)據(jù)中可以作出判斷，分音質(zhì)量角度來看，傳統(tǒng)頻域獨(dú)立分析算法真實(shí)驗(yàn)均是在相同的設(shè)備上，并且采用的流程所耗費(fèi)的時(shí)間作為判斷算法復(fù)雜度的
【學(xué)位授予單位】：成都理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TN912.3;R764.5

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 周霞;張鴻杰;王憲;;Shearlet多方向特征融合與加權(quán)直方圖的人臉識別算法[J];光電工程;2013年11期

2 郜曉晶;潘新;王亮;;基于GLOH算子和局部特征融合的人臉識別[J];計(jì)算機(jī)應(yīng)用與軟件;2013年05期

3 吳奇昌;馬峰;戴禮榮;;一種新的基于頻域獨(dú)立成分分析的語音信號盲分離方法[J];電路與系統(tǒng)學(xué)報(bào);2013年02期

4 駱媛;王嶺雪;金偉其;;獨(dú)立成分分析及其在圖像處理中的應(yīng)用[J];光學(xué)技術(shù);2012年05期

5 周家銳;紀(jì)震;沈琳琳;朱澤軒;陳思平;;基于Gabor小波與Memetic算法的人臉識別方法[J];電子學(xué)報(bào);2012年04期

6 孫勁光;李揚(yáng);孟祥福;劉軍立;;改進(jìn)的單尺度Retinex及其在人臉識別中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用研究;2011年12期

7 粘永健;張志;王力寶;萬建偉;;基于FastICA的高光譜圖像目標(biāo)分割[J];光子學(xué)報(bào);2010年06期

8 梁琳;何衛(wèi)平;雷蕾;張維;王紅霄;;光照不均圖像增強(qiáng)方法綜述[J];計(jì)算機(jī)應(yīng)用研究;2010年05期

9 崔江;王友仁;;基于支持向量機(jī)與最近鄰分類器的模擬電路故障診斷新策略[J];儀器儀表學(xué)報(bào);2010年01期

10 鄭茂;粘永健;鄭林華;;基于獨(dú)立分量分析的高光譜圖像目標(biāo)檢測算法[J];信號處理;2009年12期

相關(guān)碩士學(xué)位論文 前1條

1 張則飛;基于獨(dú)立成分分析的植被信息提取方法研究[D];吉林大學(xué);2007年

本文編號：2709038