盲分離算法的研究及其在聲信號(hào)處理中的應(yīng)用.pdf

1、盲分離(Blindsignalseparation，BSS)技術(shù)是現(xiàn)代信號(hào)處理領(lǐng)域中一個(gè)嶄新的研究方向。目前已廣泛應(yīng)用于語音信號(hào)處理、圖像處理、多用戶通信、陣列信號(hào)處理及醫(yī)學(xué)信號(hào)處理等許多領(lǐng)域。目前解決盲分離問題主要利用獨(dú)立成分分析(Independentcomponentanalysis，ICA)方法提取相互統(tǒng)計(jì)獨(dú)立的源信號(hào)。ICA這種特性不僅能夠進(jìn)行信號(hào)的盲分離，而且能夠提取信號(hào)的高階統(tǒng)計(jì)特征，同時(shí)，這些高階統(tǒng)計(jì)特征又能更好的應(yīng)用于

2、信號(hào)的盲分離。目前，對(duì)實(shí)錄聲信號(hào)的盲分離、去噪和單通道盲分離等處理仍存在著許多問題和困難值得探討，這些問題的解決勢(shì)必會(huì)給聲信號(hào)的檢測(cè)帶來重大的實(shí)用價(jià)值。本文著重研究ICA在聲信號(hào)瞬時(shí)線性盲分離、卷積盲分離、強(qiáng)背景噪聲下信號(hào)的去噪及單通道盲分離中的應(yīng)用。歸納起來，本文的主要工作有： 研究現(xiàn)有瞬時(shí)線性盲分離算法及各準(zhǔn)則之間的等價(jià)關(guān)系。對(duì)于算法無法分離具有復(fù)雜分布的源信號(hào)，或同時(shí)包含超高斯和亞高斯信號(hào)的雜系混合信號(hào)，本文著重研究了基于

3、概率密度估計(jì)的盲分離算法，提出將泛化高斯模型、混合高斯模型及非參數(shù)估計(jì)方法用于ICA算法中源信號(hào)概率密度函數(shù)的估計(jì)。對(duì)水聲信號(hào)、同系混合語音信號(hào)及雜系混合信號(hào)的盲分離都較傳統(tǒng)的方法提高了分離效果。 對(duì)實(shí)錄語音信號(hào)這一卷積混合的盲分離問題，本文在研究時(shí)域盲分離算法的基礎(chǔ)上，將基于概率密度估計(jì)的ICA算法應(yīng)用到時(shí)域的卷積信號(hào)盲分離中。另外，本文著重研究了頻域盲解卷積算法，推導(dǎo)了復(fù)數(shù)FastICA算法，并將其應(yīng)用到實(shí)錄聲信號(hào)的盲分離中

4、。與時(shí)域盲分離方法比較大大提高了盲分離的精度和收斂速度，增強(qiáng)了實(shí)用性。 基于ICA能夠提取信號(hào)高階統(tǒng)計(jì)結(jié)構(gòu)的特性，本文結(jié)合ICA基函數(shù)做了兩方面的工作：一、強(qiáng)背景噪聲環(huán)境下聲信號(hào)的去噪，首先研究了語音、音樂及水聲信號(hào)的ICA基函數(shù)特性，針對(duì)現(xiàn)有基于ICA特征的去噪方法在去除噪聲的同時(shí)也去除了大量有用信息的缺陷，提出了基于非線性閾值函數(shù)的去噪方法。其次，對(duì)于現(xiàn)有算法均需要事先對(duì)無噪情況下的源信號(hào)進(jìn)行ICA特征提取的缺陷，本文提出了

5、基于含噪系數(shù)的最大似然估計(jì)方法，使得在無法獲取無噪源信號(hào)的情況下信號(hào)的去噪成為可能，并且與傳統(tǒng)的去噪方法比較該算法大大提高了去噪的效果。二、單通道觀測(cè)信號(hào)的盲分離。對(duì)于盲分離問題中較為棘手的也是實(shí)際應(yīng)用中較為常見的單通道問題，本文基于ICA基函數(shù)研究了解決單通道盲分離問題的方法，提出了以ICA基函數(shù)作為濾波器的極大似然方法，較好的解決了頻域內(nèi)相互重疊的語音與音樂信號(hào)的單通道盲分離問題。 本文的創(chuàng)新點(diǎn)主要體現(xiàn)在：1.提出了3種基于

6、概率密度函數(shù)估計(jì)的盲分離方法：基于泛化高斯模型(GGM)的極大似然算法、基于高斯混合模型(GMM)的最大熵算法以及基于非參數(shù)概率密度估計(jì)的最大熵算法。解決了分布復(fù)雜的源信號(hào)以及雜系混合信號(hào)的盲分離問題。 2.對(duì)于實(shí)錄語音信號(hào)盲分離問題，提出了基于復(fù)數(shù)FastICA的頻域卷積信號(hào)盲分離算法。該算法解決了時(shí)域算法迭代時(shí)間長、實(shí)時(shí)性差的問題。通過對(duì)實(shí)錄語音信號(hào)及水聲信號(hào)的卷積盲分離實(shí)驗(yàn)證明了該算法運(yùn)算速度快、精度高的特性，大大增強(qiáng)了算

7、法的實(shí)用性。 3.提出將ICA特征提取方法用于水聲信號(hào)的高階統(tǒng)計(jì)結(jié)構(gòu)特征提取中。證明了低頻段船舶輻射噪聲信號(hào)的ICA基函數(shù)在時(shí)域和頻域中均具有局部特性，且明顯區(qū)別于海洋環(huán)境噪聲信號(hào)。同時(shí)，經(jīng)ICA變換后信號(hào)的稀疏性強(qiáng)于傳統(tǒng)的幾種特征提取方法。 4.提出了基于含噪系數(shù)極大似然估計(jì)的非線性閾值函數(shù)去噪方法。并在此基礎(chǔ)上，進(jìn)一步提出將基于GGM的ICA特征提取方法直接用于含噪信號(hào)的基函數(shù)提取，解決了在無法獲取無噪源信號(hào)的情況下