本文關(guān)鍵詞：語音信號(hào)的卷積盲源分離算法研究

  更多相關(guān)文章： 卷積混合 獨(dú)立分量分析 排序不確定性 短時(shí)傅立葉變換 特征排列熵度量

【摘要】：盲源分離(Blind Source Separation,BSS)的主要思想是僅從若干接收到的混合信號(hào)中提取、恢復(fù)出無法直接觀測(cè)到的各個(gè)源信號(hào)的過程。依據(jù)信號(hào)混合方式的不同,又可以把盲源分離分成幾種不同的方式,例如線性或非線性、卷積或非卷積、正定或欠定等。經(jīng)過學(xué)者們二十幾年的研究,混合方式為線性混疊的盲源分離已經(jīng)研究的非常成熟,并且在一些領(lǐng)域已經(jīng)有所應(yīng)用。其中最常用的方法是獨(dú)立分量分析(Independent Component Analysis,ICA)。然而,隨著研究的深入,線性瞬時(shí)混疊盲源分離適用不了生活中的一些情況,尤其在語音信號(hào)的混合傳輸上體現(xiàn)得特別明顯。語音信號(hào)的傳播包含回響和干擾,如果多路信號(hào)混合傳播,信號(hào)彼此間的影響更大,其數(shù)學(xué)模型更逼近于卷積混合的方式。目前,國(guó)內(nèi)外針對(duì)語音信號(hào)的卷積盲源分離的研究越來越受到重視。然而,由于語音信號(hào)和卷積混合的復(fù)雜性導(dǎo)致盲源分離的效果不是非常理想、計(jì)算復(fù)雜度比較高,實(shí)際應(yīng)用難以實(shí)現(xiàn)。并且針對(duì)于兩路以上的信號(hào)分離實(shí)現(xiàn)起來特別復(fù)雜,穩(wěn)健性不高,也就是說,目前針對(duì)于該技術(shù)的研究還處于初級(jí)階段。如何高效率和高性能地實(shí)現(xiàn)語音信號(hào)的卷積盲源分離和多路觀測(cè)信號(hào)的卷積盲分離成為該領(lǐng)域熱點(diǎn)、難點(diǎn)問題。本文將著手對(duì)于這兩個(gè)問題進(jìn)行研究,主要包括以下幾個(gè)方面:第一,細(xì)致梳理了盲源分離和卷積盲源分離的發(fā)展歷史和研究現(xiàn)狀。系統(tǒng)地介紹了盲源分離和卷積盲源分離算法理論,同時(shí)研究了這兩個(gè)算法經(jīng)常用到的一些基礎(chǔ)理論知識(shí),包括盲源分離和卷積盲源分離的基本模型、獨(dú)立分量分析的約束條件、目標(biāo)函數(shù)和基本的尋優(yōu)準(zhǔn)則等等。并且介紹了幾種典型盲源分離和卷積盲源分離的算法,最后總結(jié)了語音信號(hào)卷積盲源分離算法的評(píng)優(yōu)準(zhǔn)則。第二,針對(duì)語音信號(hào)卷積盲源分離頻域法排列不確定性問題,細(xì)致地研究了相關(guān)幅度排序算法和波達(dá)方向(Direction Of Arrival,DOA)估計(jì)排序算法,然后總結(jié)出了基于多頻段能量排序算法。其算法的步驟如下,首先,通過對(duì)混合信號(hào)的短時(shí)傅立葉變換(Short Time Fourier Transformation,STFT),在頻域上各個(gè)頻點(diǎn)建立一個(gè)瞬時(shí)混合模型進(jìn)行獨(dú)立分量分析,之后結(jié)合能量相關(guān)排序法和波達(dá)方向排序法解決排序不確定性問題,再利用分裂語譜方法解決幅度不確定性問題,進(jìn)而得到每個(gè)頻點(diǎn)正確的分離子信號(hào),最后用逆短時(shí)傅立葉(Inverse Short Time Fourier Transformation,ISTFT)變換得到分離的源信號(hào)。通過實(shí)驗(yàn)仿真對(duì)算法的收斂時(shí)間、分離效果、穩(wěn)健性進(jìn)行了比較。第三,針對(duì)瞬時(shí)盲分離在頻域各頻點(diǎn)盲分離精度不足的問題,本文又改進(jìn)了幅度相關(guān)排序算法,研究了一種基于頻點(diǎn)修正的排序算法。該算法首先通過相似度檢測(cè)各頻點(diǎn)的分離信號(hào)的正確性,然后用正確的相鄰頻點(diǎn)信號(hào)校正分離錯(cuò)誤的頻點(diǎn),直到排序結(jié)束,最后,逆變換還原出源信號(hào)。通過實(shí)驗(yàn)仿真比較了經(jīng)典算法的收斂速度和分離效果,實(shí)驗(yàn)效果表明了改進(jìn)的算法在分離性能上要優(yōu)于經(jīng)典算法,但是該算法的收斂速度同經(jīng)典算法相比要略遜一籌。第四,針對(duì)經(jīng)典算法在兩路以上觀測(cè)信號(hào)分離效果不理想的問題,本文研究了特征排列的熵度量方法,然后結(jié)合這種排列方法,研究了一種基于特征排列熵度量的卷積盲分離排序算法。該算法通過引入特征排列熵度量排序算法解決各頻點(diǎn)分離信號(hào)順序不確定性問題。首先從第一個(gè)頻點(diǎn)開始,計(jì)算該頻點(diǎn)處分離信號(hào)的特征全集,然后依次計(jì)算每個(gè)分離信號(hào)對(duì)應(yīng)的特征子集,再依次比較相應(yīng)的熵差,篩選出差值最小的分離信號(hào),最后依照同樣法方法進(jìn)行余下分離信號(hào)的排序,遍歷所有頻點(diǎn),直到排序結(jié)束。該算法的收斂速度要略慢于經(jīng)典算法,然而,能成功的解決了三路信號(hào)卷積混合的問題,對(duì)卷積盲源分離的研究具有重要的價(jià)值。本文緊密的聯(lián)系卷積盲源分離的最新研究方向,細(xì)致地分析和研究了卷積盲源分離算法,并且在一定程度上改進(jìn)和完善了語音信號(hào)的卷積盲源分離算法。對(duì)以上提到的新算法都進(jìn)行了理論證明和計(jì)算機(jī)實(shí)驗(yàn)仿真,從不同角度分析和對(duì)比了不同的卷積盲源分離排序算法,相比與其它算法,本文研究的三種不同的算法分離性能各有優(yōu)勢(shì),對(duì)該領(lǐng)域的研究具有一定的實(shí)用價(jià)值和應(yīng)用前景。
【關(guān)鍵詞】：卷積混合 獨(dú)立分量分析 排序不確定性 短時(shí)傅立葉變換 特征排列熵度量
【學(xué)位授予單位】：重慶郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TN912.3
【目錄】：

• 摘要3-5
• ABSTRACT5-14
• 第1章 緒論14-22
• 1.1 研究背景14-18
• 1.1.1 盲信號(hào)處理概述14-16
• 1.1.2 盲信號(hào)處理的分類16
• 1.1.3 盲源分離技術(shù)在語音信號(hào)處理中的應(yīng)用16-18
• 1.2 卷積盲源分離發(fā)展歷史和研究現(xiàn)狀18-20
• 1.3 本文的主要內(nèi)容及其章節(jié)安排20-22
• 第2章 語音信號(hào)卷積盲源分離基礎(chǔ)22-46
• 2.1 引言22
• 2.2 瞬時(shí)盲源分離22-29
• 2.2.1 盲源分離系統(tǒng)模型22
• 2.2.2 主分量分析理論22-24
• 2.2.3 獨(dú)立分量分析理論24-25
• 2.2.4 瞬時(shí)盲源分離理論基礎(chǔ)25-28
• 2.2.5 ICA的幾種基本尋優(yōu)準(zhǔn)則28-29
• 2.3 盲源分離算法分類29-34
• 2.3.1 批處理算法29-30
• 2.3.2 盲自適用處理算法30-33
• 2.3.3 ICA的評(píng)價(jià)準(zhǔn)則33-34
• 2.4 卷積盲源分離34-45
• 2.4.1 卷積盲源分離基本模型34-35
• 2.4.2 卷積盲源分離時(shí)域算法35-37
• 2.4.3 卷積盲源分離頻域算法37-43
• 2.4.4 性能評(píng)價(jià)43-45
• 2.5 本章小結(jié)45-46
• 第3章 基于多頻段能量相關(guān)排序的語音卷積混合盲源分離46-58
• 3.1 引言46
• 3.2 算法流程46-47
• 3.3 排序不確定和幅度不確定問題47
• 3.4 幅度相關(guān)排序算法47-49
• 3.5 波達(dá)方向排序算法49
• 3.6 基于多頻段能量排序算法49-52
• 3.7 實(shí)驗(yàn)結(jié)果與分析52-56
• 3.7.1 實(shí)驗(yàn)數(shù)據(jù)52-55
• 3.7.2 分離結(jié)果評(píng)估與比較55-56
• 3.8 本章小結(jié)56-58
• 第4章 基于頻點(diǎn)校正的語音卷積混合盲源分離算法58-72
• 4.1 引言58
• 4.2 卷積混合語音信號(hào)短時(shí)傅立葉變換特性58-61
• 4.3 利用頻點(diǎn)間的相似性解決排列不確定性問題61-64
• 4.3.1 算法描述61-62
• 4.3.2 算法實(shí)現(xiàn)62-64
• 4.3.3 相關(guān)排序算法存在的問題64
• 4.4 基于頻點(diǎn)校正的排序算法64-66
• 4.5 實(shí)驗(yàn)結(jié)果與數(shù)據(jù)分析66-71
• 4.5.1 性能分離評(píng)估66
• 4.5.2 實(shí)驗(yàn)數(shù)據(jù)66-70
• 4.5.3 計(jì)算復(fù)雜度分析70-71
• 4.6 本章小結(jié)71-72
• 第5章 基于特征排序熵度量的語音卷積混合盲源分離算法72-83
• 5.1 引言72
• 5.2 特征排序的熵度量72-75
• 5.3 基于熵度量排序算法的語音卷積混合盲源分離75-76
• 5.3.1 算法描述75-76
• 5.4 實(shí)驗(yàn)結(jié)果與數(shù)據(jù)分析76-81
• 5.4.1 性能分離評(píng)估76-77
• 5.4.2 實(shí)驗(yàn)數(shù)據(jù)77-81
• 5.5 算法計(jì)算復(fù)雜度分析81-82
• 5.6 本章小結(jié)82-83
• 第6章 總結(jié)與展望83-86
• 6.1 本論文工作總結(jié)83-84
• 6.2 未來工作展望84-86
• 致謝86-87
• 參考文獻(xiàn)87-93
• 攻讀碩士期間參與項(xiàng)目及取得的成果93

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前9條

1 張?zhí)祢U;徐昕;吳旺軍;劉瑜;;多反復(fù)結(jié)構(gòu)模型的精確音樂分離方法[J];聲學(xué)學(xué)報(bào);2016年01期

2 夏淑芳;張?zhí)祢U;李雪松;高清山;;基于變步長(zhǎng)的混合圖像自適應(yīng)盲分離算法[J];數(shù)據(jù)采集與處理;2011年02期

3 張華;馮大政;龐繼勇;;基于三二次優(yōu)化的語音卷積盲分離方法[J];電子學(xué)報(bào);2009年11期

4 張華;馮大政;龐繼勇;;卷積混迭語音信號(hào)的聯(lián)合塊對(duì)角化盲分離方法[J];聲學(xué)學(xué)報(bào)(中文版);2009年02期

5 何培宇;周激流;夏秀渝;王永德;趙剛;;一種基于二階盲信號(hào)分離的多路聲回波抑制模型[J];電子學(xué)報(bào);2006年11期

6 牛奕龍;王英民;王毅;;一種改進(jìn)的自適應(yīng)不完整自然梯度盲源分離算法[J];模式識(shí)別與人工智能;2006年05期

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

8 劉琚,何振亞;盲源分離和盲反卷積[J];電子學(xué)報(bào);2002年04期

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

，

本文編號(hào)：767227