欠定信號(hào)分離及其在語音處理中的應(yīng)用.pdf

1、信號(hào)分離和重構(gòu)是近年來信號(hào)處理領(lǐng)域的研究熱點(diǎn)，它已經(jīng)被廣泛應(yīng)用到語音和圖像信號(hào)處理、生物醫(yī)學(xué)信號(hào)處理、雷達(dá)、通信等許多領(lǐng)域。當(dāng)在混合過程未知、源信號(hào)未知的情況下，利用少量先驗(yàn)信息，從觀測(cè)到的混合信號(hào)中恢復(fù)出源信號(hào)稱為盲源分離。以往的研究多假設(shè)混合信號(hào)的個(gè)數(shù)多于或等于源信號(hào)的個(gè)數(shù)，但是實(shí)際情況下，這個(gè)條件往往不能滿足，因此研究源信號(hào)個(gè)數(shù)多于混合信號(hào)個(gè)數(shù)的欠定信號(hào)分離更具有實(shí)際意義。本文將研究欠定信號(hào)分離問題，包括多通道的欠定信號(hào)分離，單通

2、道信號(hào)分離及其在語音分離、語音增強(qiáng)中的應(yīng)用。論文的主要工作概括如下:
　　1.針對(duì)弱稀疏信號(hào)的欠定盲分離魯棒性差的問題，提出了一種基于單源點(diǎn)檢測(cè)和人工蜂群算法的盲分離方法。首先分析了已有單源點(diǎn)檢測(cè)算法的不足，并通過相鄰幀觀測(cè)信號(hào)的實(shí)虛部來檢測(cè)單源點(diǎn)，然后通過兩階段采用不同搜索策略和編碼方式的人工蜂群算法對(duì)混合矩陣進(jìn)行估計(jì)。在全局搜索階段，定義了一種適合于“線聚類”的全局目標(biāo)函數(shù)，充分利用聚類的特點(diǎn)，通過改變蜂群的行為方式，提高了算

3、法的收斂速度;在局部搜索階段，定義了局部目標(biāo)函數(shù)，通過子蜂群之間的協(xié)同作業(yè)，進(jìn)一步提高了混合矩陣估計(jì)的精度。最后，通過線性規(guī)劃法恢復(fù)出源信號(hào)。該方法對(duì)初始值不敏感，在源個(gè)數(shù)較多、弱稀疏、低信噪比的情況下仍然可以很好完成對(duì)源信號(hào)的分離，而且不需要太大的計(jì)算量。
　　2.針對(duì)源信號(hào)在時(shí)頻點(diǎn)相互重疊的情況，提出了基于局部混合模型和源信號(hào)活動(dòng)狀態(tài)判斷的欠定盲分離方法。在每個(gè)時(shí)頻點(diǎn)激活源信號(hào)個(gè)數(shù)不超過混合信號(hào)個(gè)數(shù)和源信號(hào)具有局部平穩(wěn)性的條件

4、下，得到了局部混合模型來描述局部區(qū)域內(nèi)觀測(cè)信號(hào)的分布。將各時(shí)頻點(diǎn)上源信號(hào)的活動(dòng)狀態(tài)作為隱變量，通過最大期望算法估計(jì)局部區(qū)域的方差參數(shù)和權(quán)重因子，以此獲得源信號(hào)狀態(tài)的最大后驗(yàn)估計(jì)，并由此恢復(fù)出源信號(hào)。該方法不要求局部區(qū)域內(nèi)各時(shí)頻點(diǎn)的主導(dǎo)源必須是完全一樣的，可以對(duì)每個(gè)時(shí)頻點(diǎn)的源信號(hào)狀態(tài)進(jìn)行獨(dú)立的判斷。實(shí)驗(yàn)結(jié)果表明，該方法具有很快的收斂速度和更好的分離性能。
　　3.針對(duì)不同分布類型的源信號(hào)，提出一種基于廣義高斯模型和馬爾科夫鏈蒙特卡洛

5、的子空間欠定盲分離方法。用廣義高斯分布來擬合源信號(hào)的分布，將模型參數(shù)看作隨機(jī)變量。為了解決零空間隱變量和參數(shù)的聯(lián)合后驗(yàn)條件概率密度函數(shù)的高維多重積分無法實(shí)現(xiàn)的問題，根據(jù)子空間性質(zhì)推導(dǎo)出所有的全條件概率密度，然后通過Gibbs和Metropolis-Hastings混合抽樣，得到源信號(hào)的最小均方誤差估計(jì)。該方法即可以對(duì)超高斯信號(hào)（稀疏信號(hào)）進(jìn)行分離，也可以對(duì)次高斯信號(hào)（非稀疏信號(hào)）進(jìn)行分離，而且解決了模型參數(shù)估計(jì)容易陷入局部極值點(diǎn)、魯棒性

6、差的問題。將該方法用于非稀疏區(qū)的信號(hào)分離，提出了基于非稀疏評(píng)判準(zhǔn)則的欠定盲分離方法，進(jìn)一步提高了語音信號(hào)的分離性能。
　　4.研究了混響環(huán)境中的語音信號(hào)欠定盲分離問題。針對(duì)卷積盲分離的頻域解決方案，提出了基于子頻段和人工蜂群算法的排序校正方法，該方法可以更好的解決排序模糊的問題。針對(duì)偽消聲解決方案，提出了觀測(cè)信號(hào)的局部廣義高斯混合模型，進(jìn)一步討論了語音信號(hào)的最佳局部分布，然后通過該模型分離出語音信號(hào)。該方法可以提高分離效果，不需要

7、解決排序模糊的問題。
　　5.將單通道信號(hào)分離應(yīng)用于語音增強(qiáng)，提出了一種基于非負(fù)矩陣分解的單通道語音增強(qiáng)算法?；诜秦?fù)矩陣分解的語音增強(qiáng)方法對(duì)于非平穩(wěn)噪聲具有更好的去噪能力，通過對(duì)帶噪語音的幅度譜進(jìn)行非負(fù)矩陣分解，得到語音和噪聲的基矩陣和時(shí)變?cè)鲆嫦禂?shù)矩陣，進(jìn)而通過維納濾波分離出語音信號(hào)和噪聲。由于噪聲的時(shí)變?cè)鲆嫦禂?shù)在相鄰時(shí)間幀具有較強(qiáng)的相關(guān)性，通過在目標(biāo)函數(shù)中增加相關(guān)性約束項(xiàng)來提高語音和噪聲時(shí)變?cè)鲆嫦禂?shù)的估計(jì)精度。針對(duì)該目標(biāo)函數(shù)，