基于能量归一化窗S变换的跳频信号参数盲估计

提出一种基于能量归一化窗的S变换的跳频信号参数盲估计方法。详细阐述了能量归一化窗S变换的基本原理,应用能量归一化窗S变换对跳频信号进行了分析并与其它时频分析方法作了比较,最后给出了跳频信号参数盲估计的具体算法步骤,并进行了仿真实验及性能分析。仿真结果表明该方法切实有效。     

独立分量分析与时频掩蔽结合的语音盲分离

针对语音信号的欠定卷积混合模型,提出一种基于快速独立分量分析和自适应非线性二元时频掩蔽的语音盲分离方法。对输入的混合语音信号进行快速独立分量分析,将结果进行自适应非线性二元时频掩蔽;重复进行这两步处理,直到分离出所有的语音源信号。将分离出的语音源信号,再通过二元时频掩蔽合并可提高输出的质量,分离出的语音信号仍然能保留双声道立体声的效果。实验表明,该方法的性能大大优于DUET方法和BLUES方法,信噪比增益大幅提高。     

语音增强的计算机仿真

研究关于盲源分离的特征向量分离算法在语音增强的应用,传统的方法对混合的语音信号很难进行有效的分离,而在实际中很多场合都需要对语音信号进行增强.为消除噪音,提高清晰度,使用的盲源分离算法却正能实现传统方法难以实现的技术.运用一种盲源分离的特征向量分离算法来进行语音增强,并且对实际的两个语音信号运用该算法进行了混合语音信号的分离增强实验,利用MATLLAB软件对混合语音信号进行了盲源分离的特征向量分离算法的仿真,可从混合语音信号分离出了两个原始语音信号.证明了盲源分离算法应用于语音分离的可行性,为盲源分离应用于语音增强提供了参考依据.     

基于回溯搜索优化的卷积混合语音盲分离

针对独立矢量分析（IVA）算法初始分离矩阵取值对分离性能影响较大的局限性,提出了基于回溯搜索优化的卷积混合语音盲分离算法。采用频域各频率点IVA分离信号的复数峭度和作为目标函数,利用回溯搜索优化算法（BSA）对初始分离矩阵进行优化调整,更好地实现了语音信号的盲分离。在分离过程中,采用复Givens旋转变换原理将对分离矩阵的求解转化为对旋转角度的求解,有效减少了BSA的参数编码维数,降低了优化求解难度。针对语音信号的卷积混合分离实验表明,该算法具有良好的分离效果,其分离性能较之基本IVA算法显著提升。     

PID控制原理在语音信号盲源分离中的应用

语音信号在非平稳系统中是动态混合的,为了实时抑制盲源分离过程中的非平稳混合扰动,加快收敛速度,减小稳态误差,提出了一种应用PID控制原理的自适应盲源分离算法。依据一种无预处理的自适应盲源分离算法建立PID控制模型,调节学习速率,跟踪语音信号的分离过程,实时减小由非平稳混合引入的分离误差,动态更新分离矩阵。在混合矩阵缓变和突变两种情形下分别对PID参数整定和语音信号的分离进行仿真分析,结合经典算法对比提出算法的性能。仿真与对比结果表明,提出的算法适用于非平稳混合系统语音信号的分离,算法性能较经典算法有改善。     

独立分量分析技术在语音信号处理中的应用

独立分量分析是近年来发展起来的一门新的信号分离和数字分析技术,因为不需要知道信号的先验信息而得到广泛应用。混迭语音信号盲分离由于实际应用成为信号处理领域研究的热点。介绍了ICA的原理、含义及EASI算法,并仿真了该算法在语音信号盲分离中的应用。试验证明,用EASI分离语音信号可以取得较好的性能。     

基于贪婪稀疏优化的欠定语音盲分离方法

提出一种基于语音信号稀疏特征的稀疏分量分析两步法,力图提高欠定情况下的语音信号盲分离性能.不同于传统的两步法,所提方法需要获取语音信号在变换域中的稀疏特征,将贪婪最优化思想引入至稀疏分量分析方法中,重构欠定盲分离语音源信号.通过仿真对比实验,展示了该方法应用于平稳声音信号和非平稳语音信号的盲分离效果,它能较好恢复语音源信号.与现有的最短路径法相比,所提算法可以提高两路以上观测信号的分离性能.相较于平滑L0范数算法,所提算法可以有效提高来波方向较近的语音盲信号分离性能.该方法具有更广阔的适用范围.     

基于时域去相关预处理的卷积混合语音盲分离算法

因语音信号自身的相关性及不平稳性,使卷积混合语音信号的盲分离变得十分困难.本文提出了一种基于时域去相关预处理的卷积混合语音盲分离时域算法.该算法采用自适应格型预测误差滤波器对语音信号进行时域去相关处理,同时基于空域去相关算法完成卷积混合语音分离.该算法充分考虑了语音信号自身的相关性及不平稳性,具有计算量小、收敛速度快、稳定性好的优点.仿真实验验证了该算法在对卷积混合语音信号进行盲分离时的有效性.     

一个用于卷积混合模型的时频分析盲分离算法

提出一种基于时频分析的卷积混合盲分离算法.由于信号源与各传感器的距离不同,在传播的过程中会产生不同的幅度衰减和时间延迟.该算法用短时傅里叶变换对语音信号进行时频分析,将其中一个传感器信号作为参考信号,构造了源信号的幅度衰减向量和时间延迟向量.根据语音信号的时频域稀疏性,以这两个向量为特征,在时频域上对传感器信号进行聚类,再通过估计参考信号混合系数来获得源信号时频域表示,进一步得到源信号.该方法可以用于源信号数目大于传感器信号数目的情况.仿真实验证明,算法可以完成欠定情况下卷积混合信号的盲分离,分离结果令人满意.     

一种基于时域解相关的双通道语音分离算法

提出了一种基于时域解相关的卷积混合语音盲分离时域算法。该算法利用相关系数对语音信号进行时域去相关处理,同时基于二阶统计量完成双通道语音分离。该算法充分考虑了语音信号本身的相关性及不平稳性,收敛速度快,稳定性好,为减小计算量提出了该算法的递推改进算法。仿真实验表明,在对卷积混合双通道语音信号进行盲分离时,该算法是非常有效的。     

基于改进的萤火虫优化算法的混合语音盲分离

针对传统盲源分离优化算法对分离性能影响较大的局限性,提出了一种基于改进的萤火虫优化的混合语音盲分离算法。将萤火虫的飞行跨度由固定取值变为由新构造的函数自适应调整,在加快收敛速度的同时避免算法早熟现象的发生。实验结果表明,与基于自然梯度、标准萤火虫和粒子群优化的盲分离算法相比,新算法对混合语音信号的分离效果较好,在收敛速度和分离能力方面都有所提升。     

基于稀疏性的欠定语音盲分离方法研究

针对源信号增多导致语音信号稀疏性变差的问题,提出一种新的基于稀疏性的混合矩阵估计方法,利用主分量分析(PCA)检测只有一个源信号存在的时频点并用于估计混合矩阵,从而提高了估计性能,特别适用于欠定语音盲分离。同时指出了影响基于稀疏性语音盲分离方法性能的因素。仿真结果验证了上述结论。     

基于声源时延估计的欠定盲分离方法

提出一种基于声源时延估计的二元时频掩蔽方法.通过三个接收信号实现多于多个语音源信号的欠定盲分离.利用语音信号的W-分离正交性,在时频域估计各个源信号到达接收阵列的相对时延序列;进而基于信号时延序列的估计,采用最大似然算法将时频域划分为与源信号个数相同的互不重叠的时频点集合,每个集合(近似)只包含一个源信号的所有时频分量;再通过二元时频掩蔽依次恢复出各集合所对应的源信号.该方法性能通过主观试听得到了验证,其分段信噪比增益至少为13 dB.较之欠定解混迭估计技术DUET,本文方法得到的分离信号与实际声源信号的相异度降低约3 dB.     

基于麦克阵列的实时盲语音分离系统

通过使用多波束形成器对盲分离系统进行预处理滤波,结合频域内独立分量分析的方法,提出了一种基于麦克阵列的快速实时盲语音分离系统,它能够有效地分离在真实环境中的卷积混叠语音信号。     

基于盲源分离的单通道语音信号增强

在运用基于独立分量分析(ICA)的盲源分离法进行语音增强时,要求观测信号(含噪语音)的个数不少于源信号(纯净语音和噪声)的个数.由于含噪语音通常是单通道的,所以必须合理地生成另一路的虚拟观测信号,以实现纯净语音和噪声的分离是个关键.介绍了一种基于盲源分离和谱减法的单通道语音信号增强的方法.首先运用谱减法对语音进行部分去噪,产生了ICA其中的一路观测信号,并产生了对噪声的估计值.用语音和噪声估计值的帧平均能量构成了加权函数,将噪声的估计值与原始含噪语音进行加权组合,生成另一路的虚拟观测信号.由于虚拟观测信号很好地再现了实际的观测信号,所以运用ICA可以较好地实现了噪声和语音的分离.同时,盲源分离和谱减法相互结合,使语音增强的性能提高.实验证明了算法可以在信噪比很小的情况下实现对噪声的去除,其效果要优于传统的去噪算法.     

基于模拟退火粒子群的实时语音信号盲分离

针对现有的盲分离算法大多存在收敛速度慢、优化精度低的问题,提出了一种新的基于模拟退火粒子群的盲分离算法.该算法以分离信号的负熵为目标函数,根据分离信号的状态、粒子的惯性权值随退火温度及适应度的变化自适应地调节,既基本保持了粒子群算法简单容易实现的特点,又改善了其摆脱局部极值点的能力,提高了算法的收敛速度、分离精度和稳定性能.仿真对比结果表明,新算法性能明显优于自然梯度卷积混合盲分离算法和小渡变换快速独立分量分析算法,很好地实现了实时语音信号的分离且提高了分离性能.     

抑制干扰的频域盲源分离后处理算法

在混响时间较长的情况下,一般的频域盲源分离算法可能不完全收敛,导致分离信号中包含部分干扰信号,降低分离算法性能。根据语音信号在时频域分布的稀疏特性,估计分离信号中目标信号和干扰信号的功率谱密度,提出一种改进的频域维纳滤波后处理算法。仿真实验结果证明,与原有频域维纳滤波算法相比,该算法在不增加计算复杂度的前提下,抑制的干扰信号增加了1dB～2dB,是一种有效的频域盲源分离后处理算法。     

盲源分离自适应算法的改进

指出了盲源分离自适应算法之间的联系,在满足多种性能择优标准前提下,引入了改进的非线性函数,该函数有效地实现了语音信号的盲分离,同时也提高了算法的收敛速度,实验表明该方法能够更快速地分离混迭语音。     

PCA与ICA相结合的语音信号盲分离

针对ICA用于语音信号盲分离时,由于数据量过大、迭代次数过多引起的收敛速度慢的问题,采用一种PCA和ICA相结合的盲分离算法PCA-ICA。通过PCA对混合语音信号进行白化处理,消除了原始各道数据间的二阶相关性。在仿真实验中,采用相似系数矩阵作为评价混合语音信号分离效果的标准,结果表明PCA-ICA算法与ICA算法相比,在达到几乎相同的相似系数矩阵的情况下,迭代次数减少了90%,从而分离速度提高了3倍,有效地解决了ICA分离算法收敛速度慢的问题。     

改进频点权重系数的频域盲源分离排序算法

为解决卷积混合频域盲源分离排序不确定问题,研究了分离矩阵行列式变化和频点距离对基于相邻频点幅度相关性排序算法的影响,提出了改进的盲源分离排序算法.改进算法用权重系数来衡量频点对排序的影响,并将分离矩阵作为下一频点分离矩阵的迭代初值,给出了权重系数设定函数.最后对瞬时混合信号、卷积混合信号、实际房间采集信号分别进行盲源分离实验.实验结果表明,与Murata算法相比,改进算法分离信号信噪比提高、分离速度加快、算法鲁棒性强.