基于稀疏性的NMF語音信號欠定盲分離方法研究.pdf

1、盲源分離(Blind Source Separation，BSS)是表示在先驗信息極少，而且原始信號、混疊的類型、信道等不明的狀況下，從觀測到的信號分離出源信號的過程。盲源分離算法通常用來解決正定或者超定的問題，即觀測到的信號和原始信號的數(shù)目相同或前者數(shù)目較多的情況。但在實際應(yīng)用中，后者數(shù)目較多的欠定情況更為普遍，因此，研究欠定盲信號分離算法具有非常重要的意義和價值。
　　其中，非負(fù)矩陣分解(Non-negative Matrix

2、 Factorization，NMF)算法最早就是解決欠定盲分離問題的，它不依賴于信號的獨立性及非高斯性。語音作為一種盲分離的對象，在計算機(jī)聽覺、視頻會議、信息抗干擾以及生物醫(yī)學(xué)研究等眾多領(lǐng)域面前呈現(xiàn)了廣闊的發(fā)展前景。因此，本文基于在線性混合方式下的語音信號，探究并改進(jìn)了基于NMF的欠定盲分離算法，核心內(nèi)容有下列三個部分：
　　(1)對于基于 NMF的單通道語音盲分離模型，本文研究了以歐氏(Euclidean,簡稱Euc)距離或K

3、ullback-Leibler(簡稱KL)散度為目標(biāo)函數(shù)的基本NMF算法，以及添加傅里葉變換(Short-Time Fourier Transform，STFT)處理的優(yōu)化NMF算法，本文稱作SNMF算法。選取了不同的目標(biāo)函數(shù)進(jìn)行仿真與比較，和Euc距離下的基本NMF算法及其改進(jìn)算法相比，KL散度下的NMF算法表現(xiàn)了較好的分離效果。
　　(2)對于語音信號的欠定瞬時混合方式，本文給出了添加約束的KL-SNMF盲分離算法。首先運用此

4、類信號特有的短時平穩(wěn)性，做了預(yù)加重以及分幀加窗等多項處理，然后將得到的幅度譜作為 NMF輸入矩陣進(jìn)行數(shù)據(jù)降維，最后利用負(fù)熵為目標(biāo)函數(shù)，以牛頓迭代法為優(yōu)化算法的快速不動點獨立分量分析(Fast fixed point Independent Component Analysis，F(xiàn)astICA)算法來達(dá)到分離信號的目的。
　　(3)對于語音信號的欠定卷積混合方式，本文給出了基于 EM-KL-SCNMF的盲分離算法。首先將卷積非負(fù)矩陣

5、分解(Convolutive Non-negative Matrix Factorization， CNMF)算法運用于盲分離模型，更好地保留了語音的特征信息和幀間的相關(guān)性；然后為了充分利用信道間的冗余，擺脫信源統(tǒng)計獨立及非高斯分布的約束，使用了期望最大化(Expectation Maximization，EM)算法進(jìn)行迭代優(yōu)化，使得目標(biāo)函數(shù)最小化得到估計的信號；最后通過傅里葉逆變換(Inverse STFT，ISTFT)產(chǎn)生分離濾波器