基于约束型卡尔曼滤波的最大似然无失真波束形成器

自适应波束形成技术可以有效地拾取高质量的语音信号。近期提出的最大似然无失真（Maximum Likelihood Distortionless Response, MLDR）波束形成器不需要盲估计噪声协方差矩阵,具有很好的应用前景。本文提出了一种基于约束型卡尔曼滤波的MLDR波束形成器并给出了其低复杂度实现算法。将MLDR波束形成器设为卡尔曼滤波器的内部状态变量,采用一阶马尔科夫过程对其建模,而卡尔曼滤波器的观测方程则由MLDR波束形成器的代价函数构成。此外,通过对角化近似,进一步地降低了波束形成器的计算复杂度。在CHiME-3数据集上的测试结果表明,所提的对角化近似的波束形成器在计算复杂度更低的情况下取得了和已有在线实现的MLDR波束形成器相近的性能。      

基于最小体积约束的频域卷积盲源分离

频域盲源分离算法多数基于窄带假设，该假设在长混响环境下不成立。基于卷积传递函数（Convolutive Transfer Function, CTF）的多通道非负矩阵分解（Multichannel Nonnegative Matrix Factorization, MNMF）方法不依赖窄带假设，在长混响环境下的分离性能较其他传统算法有显著提升。但是，非负矩阵分解（NMF）对源信号功率谱进行近似估计在大多数情况下是病态的，其最优解不唯一。本文提出了一种基于最小体积约束的频域卷积盲源分离方法，在多通道非负矩阵分解（CTF-MNMF）的目标函数中，引入NMF基矩阵的最小体积约束来提高问题的适定性和求解参数的可辨识性。采用Majorization-Minimization (MM)优化方法对最小体积约束的目标函数进行求解，导出了估计参数的闭式解。仿真实验表明，在长混响环境下，所提方法比CTF-MNMF具有更好的分离性能。