利用FFT实现语音信号稀疏分解的改进算法

研究基于Matching Pursuit（MP）方法实现的语音信号稀疏分解问题,通过对语音信号稀疏分解中使用的过完备原子库结构特性的分析,提出了一种改进的信号稀疏分解算法。该算法针对语音信号的特点,以FFT算法实现的稀疏分解为基础缩小了原子的搜索范围,从而不仅进一步提高分解速度,还能以更稀疏的形式表示语音信号。算法的有效性为实验结果所证实。     

基于改进MP稀疏分解的语音识别方法

在限定输入词汇量的条件下进行语音识别的过程中,结合MP稀疏分解的原子结构特性,提出把语音信号经MP稀疏分解所得的最佳原子时频参数作为匹配参数对语音进行识别。用基于遗传算法和原子库划分的策略对MP稀疏分解的寻优过程进行改进以提高MP稀疏分解的效率。在Matlab环境下进行仿真试验时,采用LGB算法对测试信号进行判别。试验结果表明,MP稀疏分解算法经改进后运行速度得到提高,采用10个原子的时频参数可有效识别长度约为6000的语音信号。     

语音信号稀疏分解的FOA实现

信号的稀疏表示在信号处理的许多方面有着重要的应用,但稀疏分解计算量十分巨大,难以产业化应用。利用果蝇优化算法实现快速寻找匹配追踪（MP）过程每一步的最优原子,大大提高了语音信号稀疏分解的速度,算法的有效性为实验结果所证实。     

利用禁忌遗传和原子特性实现信号稀疏分解

阻碍信号稀疏分解运用于信号处理产业化的主要原因,是由于信号的稀疏分解的计算量十分巨大。利用基于Matching Pursuit（MP）方法实现的信号稀疏分解算法,采用遗传算法（GA）和禁忌搜索（TS）相结合,快速寻找MP过程中每一步分解的最佳原子,最后再利用原子的特性进一步的优化。实验结果表明,该算法提高了信号每一步MP分解中寻找最佳原子的能力,并由此提高了信号稀疏分解的速度。     

基于MP算法的语音信号稀疏分解

语音信号稀疏分解是一种新的语音信号分解方法,可以将语音信号分解为很简洁的近似表达形式。在语音信号稀疏分解的基础上,可应用于语音处理的多个方面,如语音压缩、语音去噪和语音识别等。研究利用Matching Pursuit（MP）算法实现语音信号的稀疏分解,实验结果表明基于MP算法的语音信号稀疏分解具有较好的重建精度和较高的稀疏度。     

基于GA和MP的信号稀疏分解算法的改进

信号的稀疏表示在信号处理的许多方面有着重要的应用,基于MP的稀疏分解是目前信号稀疏分解的最常用方法,也是几乎所有稀疏分解算法中速度最快的,但其存在的关键问题仍然是计算量十分巨大。基于利用MP（Matching Pursuit）方法实现的信号稀疏分解算法,采用遗传算法（GA）快速寻找MP 过程中每一步分解的最佳原子。并针对基本遗传算法存在的未成熟收敛和易陷入局部最优解的问题,提出了对基于GA和MP的信号稀疏分解的一种改进算法,实验结果证实了改进算法的有效性。     

基于免疫匹配追踪的语音稀疏分解算法

针对标准匹配追踪(MP)算法在寻找最佳原子时计算量大的问题,提出一种基于免疫匹配追踪(IA-MP)的语音稀疏分解算法。该算法采用免疫克隆优化机制搜索最佳原子,利用抗体的种群规模控制冗余字典的大小,选择实数交叉与非均匀变异方法保证字典的完备性。仿真实验结果表明,与标准MP算法和遗传匹配算法相比,IA-MP算法可明显降低匹配追踪的计算量,算法性能较稳定,利用该算法分解后的稀疏信号具有较高的重构精度。     

图像1 DFFT-MP稀疏分解算法研究

针对图像稀疏分解速度慢和重建图像视觉效果不好的问题,提出了一种基于MP和一维FFT、的图像稀疏分解算法。算法中把二维图像按行抽取成一维信号,同样地,把过完备原子库中的原子按行抽取成一维原子,然后把二维图像或图像残差与原子的内积运算转化为一维信号或信号残差与一维原子的互相关运算,最后利用一维FFT方法计算一维信号与原子的互相关运算。通过实验验证表明,在重建图像的质量没有改变的前提下,当图像大小为512 X512时,一维FF7图像稀疏分解算法的速度比二维FFT提高了2. 11倍。     

FOA-LM算法及其在语音信号稀疏分解中的应用

信号的稀疏表示在信号处理的许多方面有着重要的应用,但稀疏分解计算量十分巨大,难以产业化应用。粒子群优化（PSO）及果蝇优化（FOA）等智能算法具备前期收敛速度快,全局搜索能力强的优点,应用到语音信号的稀疏分解中,虽然大大提高了语音信号稀疏分解的速度,但是该类算法后期的收敛速度较低,稀疏分解速度仍然偏低。拉凡格氏（LM）算法具有收敛速度快,精度高的特点,但是LM算法依赖初值,这使它的应用受到了限制。结合智能算法FOA及LM算法的优点,采用FOA算法求出Gabor原子参数初值,利用这些初值进行LM迭代搜索最优原子。仿真结果表明,基于FOA优化算法和LM算法相结合的方法,具有收敛速度快,精度高的特点,有较高的实用价值。     

利用粒子群算法实现PPS信号的稀疏分解

针对在分析高阶多项式相位信号（PPS）时,Wigner—Ville分布（WVD）的交叉项使得时频分布图变得难以解释,为了提高信号计算速度和数据提取精度,采用基于匹配追踪（MP）算法的信号稀疏分解来抑制交叉项,但是稀疏分解计算量大,难以应用在实时信号处理。将粒子群优化算法用于稀疏分解的最优匹配原子的搜索,能降低稀疏分解复杂度,同时减少稀疏分解的超完备字典对存储空间的占用,可以提高用稀疏分解理论进行信号处理的计算效率,满足或接近实时性的要求。计算机仿真结果证实了方法的有效性。     

语音压缩感知研究进展与展望

压缩感知技术,特别是语音压缩感知技术逐渐成为信号处理领域的研究热点。当前的语音压缩感知关键技术主要包括适合语音信号的稀疏分解矩阵构造,观测矩阵的选择和重构算法的设计。稀疏分解矩阵的重要代表是正交基、基于语音特性的线性预测矩阵和过完备字典。观测矩阵方面主要采用随机观测矩阵分析语音压缩感知性能;重构算法方面重点研究当观测序列或语音信号本身含有噪声时鲁棒的语音压缩感知重构算法。本文对上述语音压缩感知的3大关键技术进行了介绍和对比分析,并对语音压缩感知的应用进行了总结,最后对未来可能的研究热点进行了展望。     

Bark子带小波包自适应阈值语音去噪方法

为了克服低信噪比输入下,语音增强造成清音弱分量损失,导致信号重构失真的问题,提出了一种新的语音增强方法。该方法采用小波包拟合语音感知模型的临界带,按子带能量对语音清浊音分离,然后对清音和浊音信号分别作8层和4层小波包分解,在阈值计算上采用Bark子带小波包自适应节点阈值算法,在Bark子带实时跟踪噪声水平,有效保护清音中高频弱分量,减少失真。通过与传统语音增强方法的仿真对比实验,证实该方法在低信噪比输入时,具有明显优势,输出信噪比高,语音失真度低。将该方法与谱减法相结合,进行语音二次增强,能进一步提高增强语音质量。     

基于非平滑非负矩阵分解语音增强

针对非负矩阵分解稀疏性不够,通过引入平滑矩阵调节字典矩阵和系数矩阵的稀疏性,提出基于非平滑非负矩阵分解语音增强算法。算法通过语音和噪声的先验字典学习构造联合字典矩阵;然后通过非平滑非负矩阵分解更新带噪语音在联合字典矩阵下的投影系数实现语音增强;同时通过滑动窗口法实时更新先验噪声字典。仿真结果表明,该算法相对非负矩阵分解语音增强算法和MMSE算法具有更好的抑制噪声能力。     

基于MPI并行计算的信号稀疏分解

在研究信号稀疏分解理论及其最常用的匹配追踪算法的基础上,针对MP算法存在的计算量过大的问题,提出一种基于并行计算系统实现信号稀疏分解的方法。该方法利用8台微机,采用MPI消息传递机制,以100 M高速以太网作为互联网络,构建了一套Beowulf 并行计算系统,在此系统上通过编制并行程序来实现MP算法。实际测试表明这种方法具有很高的并行计算效率,分解时间从单机75 min左右下降到8机并行11 min左右,大大提高了信号稀疏分解的速度。     

基于线性预测分析的语音信号压缩感知*

根据语音信号的特点,提出了一种基于线性预测分析的合成矩阵作为语音信号的稀疏变换域,并验证了语音信号在该域上的稀疏特性。由语音信号和随机高斯矩阵构造相应的观测,采用正交匹配追踪算法重构原始语音信号。实验表明,语音信号在新的变换域上的重构性能要优于DCT域,且具有较高的分段信噪比和平均意见得分。     

利用蚁群算法实现基于MP的信号稀疏分解

信号的稀疏表示在信号处理的许多方面有着重要的应用,但稀疏分解计算量十分巨大,难以产业化应用。利用蚁群算法实现快速寻找MatchingPursuit(MP)过程每一步的最优原子,大大提高了信号稀疏分解的速度,算法的有效性为实验结果所证实。