信息處理課群綜合訓練與設(shè)計語音信號盲分離

1、目 錄 目 錄.i 摘 要.ii abstract. 1 前 言 .1 1.1 盲語音信號分離技術(shù)的背景及意義.1 1.2 語音噪聲特性分析.1 1.2.1 語音的特性.1 1.2.2 語音信號的基本特征.2 2 盲信號處理 .3 2. 1 盲信號處理的基本概念.3 2.2 盲信號處理的方法和分類.3 2.3 盲信號處理技術(shù)的研究應(yīng)用.4 3 盲源分離法 .6 3.1 盲源分離技術(shù).6 3.2 盲分離算法實現(xiàn).6 3.3 盲源分離技術(shù)的研究發(fā)展和應(yīng)用.7 3.4 獨立成分分析.8 3.4.1 獨立成分分析的定義.10 3.4.2 ica 的基本原理.11 3.4.3 本文對 ica 的研究目的

2、及實現(xiàn).12 4 盲語音信號分離的實現(xiàn)及抑噪分析 .13 4.1 盲語音信號分離的實現(xiàn).13 4.1.1 盲信號分離的三種算法.14 4.1.2 不同算法的分離性能比較.14 4.2 fastica的算法仿真及結(jié)果分析.18 4.2.1 fastica 算法仿真實現(xiàn).18 4.2.2 分離結(jié)果分析.23 4.2.2 fastica 算法的分離性能分析.27 5 結(jié) 論 .29 6 感想與總結(jié) .30 7 參考文獻 .31 附 錄 .32 摘 要 語音信號盲分離處理的含義是指利用盲源分離(blind source separation，bss)技術(shù)對麥克風檢測到的一段語音信號進行處理。混合語音信

3、 號的分離是盲分離的重要內(nèi)容，目前的混疊語音分離大多是建立在無噪環(huán)境中 的混疊情形下，主要以盲源分離(blind source separation，bss)，根據(jù)信號 的統(tǒng)計特性從幾個觀測信號中恢復出未知的獨立源成分。 本文重點研究了以語音信號為背景的盲處理方法，在語音和聽覺信號處理 領(lǐng)域中，如何從混有噪聲的的混疊語音信號中分離出各個語音源信號，來模仿 人類的語音分離能力，成為一個重要的研究問題。具體實現(xiàn)主要結(jié)合 ica 技術(shù)， 將語音去噪作為一個預(yù)處理過程，對帶噪聲的混疊語音盲分離進行了研究，本 文詳細了介紹 fastica 算法將該算法應(yīng)用于實際的語音信號分離中，文章最后 還介紹了分離效

4、果評價準則，并比較了相關(guān)系數(shù)。 關(guān)鍵詞：關(guān)鍵詞： 語音信號，盲源分離，獨立成分分析 abstract blind separation of speech signal processings meaning is using bss techniques to separate the mixed voice signals recorded in microphone. separation of mixed speech signals is important for blind separation. the current separation of overlapping spe

5、ech is built mostly in the absence of aliasing noise in the environment, under the circumstances, mainly in blind source separation (blind source separation, bss), the statistical characteristics of signal several observations from the unknown signal to recover the independent source components; thi

6、s article focuses on how to separate the mixed speech signal using fastica algorithm. we first get two clean speech signals then using a mixed matrix to mix the speech signals to get the mixed signals. and then we use fastica algorithm to separate the mixed speech signal. finally, we use the correla

7、tion coefficient and the relative error to evaluate the separation effects. the simulation results demonstrate that the separation effects are satisfied. key words: voice signal, voice signal noise, blind source separation, independent component analy 1 前 言 1.1 盲語音信號分離技術(shù)的背景及意義 近些年來，混合語音信號分離成為信號處理領(lǐng)域的

8、一個研究熱點。在信號 處理中我們經(jīng)常遇到這樣的問題，如何從一組未知的隨機信號經(jīng)過一組混合系 統(tǒng)得到的觀測信號種恢復出這些原始信號，如果重構(gòu)過程中沒有混合系統(tǒng)和原 始信號的先驗知識，我們就稱該過程為盲分離。其理論也不斷運用到圖像、通 訊、醫(yī)學等領(lǐng)域 在語音方面的應(yīng)用包括有多個人說話構(gòu)成的聲音環(huán)境下，從多個話筒接收 到的聲音信號就是所謂的雞尾酒會問題，它是指人們在嘈雜環(huán)境中或者是在許 多人同時說話的情況下有辨識自己感興趣的聲音的能力引起研究者的興趣。而 我們所研究的混合語音信號分離急速雖然不能失信是計算機具有和人類一樣的 聽覺，但 是通過該技術(shù)卻能使原本相互混疊的語音信號相互剝離，來作為語音 識別

9、的預(yù)處理，從而使得噪聲環(huán)境下結(jié)合多說話人情形下的語音識別的實現(xiàn)成 為可能。 1.2 語音噪聲特性分析 1.2.1 語音的特性 (1)短時平穩(wěn)性 根據(jù)對語音信號的研究，語音是一種時變的、非平穩(wěn)的隨機過程，但另一 方面，由于人類發(fā)聲系統(tǒng)的生理結(jié)構(gòu)的變化速度是有一定限度的，在一段短時 間內(nèi)(1030ms)人的聲帶和聲道形狀基本穩(wěn)定，并且大部分情況下，激勵源參 數(shù)也是如此，因此可認為短時間內(nèi)語音特征是不變的，語音的短時性特點是對 語音信號進行分析和處理的基礎(chǔ)。 (2)濁音和清音 語音分為濁音和清音兩大類，二者從語音產(chǎn)生的機理上有明顯的差異，前 者由周期性脈沖產(chǎn)生，后者由隨機噪聲產(chǎn)生，因而在特征上也有明

10、顯的區(qū)別。 濁音在時域上呈現(xiàn)出明顯的周期性，在頻域上具有共振峰結(jié)構(gòu)而且能量大部分 集中在較低頻段內(nèi)。清音則完全不同，它沒有明顯的時域和頻域特征，類似于 白噪聲。 濁音在頻譜上有共振峰結(jié)構(gòu)，能量重要集中在低頻區(qū)(1000hz)。 1.2.2 語音信號的基本特征 （1）語音信號的時域特征 由于說話人在不同時刻的說話內(nèi)容千變?nèi)f化，而且沒有確定的規(guī)律性，因 此語音信號是時變的。但由于人類的發(fā)聲器官的變化速率有限，聲道在短時間 內(nèi)(5500ms)處于平穩(wěn)狀態(tài)，因此語音信號具有短時平穩(wěn)性。而這種短時平穩(wěn) 性，也是語音處理中許多理論和算法的必要前提。由于人們在說話時，各個音 節(jié)或單詞之間總會存在著時間上的間

11、隔， 因此語音信號在時域上存在著有音段和無音段。通過有音段和無音段的檢 測，可用去除帶噪語音中平穩(wěn)的噪聲。此外，無音段所占比例越大，語音的稀 疏性越好，利用這一特點，產(chǎn)生了許多基于語音稀疏性的增強算法。 （2）語音信號的頻域特征 語音信號的頻譜能量主要集中在 300-3400hz 范圍內(nèi)。語音本身由濁音和清 音組成，濁音含有語音信號的大部分能量，其頻譜分布主要集中在低頻段中的 基 音頻率及其各次諧波上，呈現(xiàn)出明顯的周期性；清音則表現(xiàn)出隨機性，在頻譜 上類似于白噪聲。 （3）語音信號的統(tǒng)計特征 語音信號可以看作是一個遍歷性隨機過程的樣本函數(shù)，其統(tǒng)計特性可用其 幅度的概率密度函數(shù)來描述。 對語音信

12、號的統(tǒng)計特性的研究表明，其幅度分布的概率密度函數(shù)可以用兩 種近似的表達式來較好地描述，其中一種是伽馬(gamma)分布 (1-1) ( ) 2 k x ke p x xx 式中 k 是一個常數(shù)，與標準差仃，有下列關(guān)系 (1-2) 3 2 x k 另一種是拉普拉斯分布(laplacian)分布 (1-3) ( )0.5 x p xe 式中，口是一個由標準差仃。決定的常數(shù)，即 (1-4) 2 x 相對說來，伽馬分布對語音信號的幅度分布描述更為精確一點，而拉普拉 斯分布的函數(shù)形式則更加簡潔。 2 盲信號處理 2.1 盲信號處理的基本概念 盲信號處理是現(xiàn)代數(shù)學信號處理、算智能學近年來迅速發(fā)展的重要方向

13、。 電子信息、通信、生物醫(yī)學、圖像增強、雷達、地球物理信號處理等眾多領(lǐng)域 有廣泛的應(yīng)用前景。 盲信號處理就是利用系統(tǒng)(如無線信道、通信系統(tǒng)等)的輸出觀測數(shù)據(jù),通過 某種信號處理的手段, 獲得我們感興趣的有關(guān)信息(如原來獨立發(fā)射的信號等)。 盲信號的研究是當前學術(shù)界的一個研究熱點，而盲信號分離則是盲信號研 究中的一個重要的課題。bss 是指從觀測到的混合信號中分離出未知的源信號。 盲信號中的“盲”意味著兩個方面：第一，對源信號一無所知或只有少許的先驗 知識。第二，混合本身是未知的。這看似是一個不可能的任務(wù)，然而理論和實 際都證實了只需要相當簡單的假設(shè)，就可以得到該問題的解。這一特點使得 bss

14、成為一種功能相當強大的信息處理方法。 混合矩陣分離矩陣 噪聲向量 s(t)x(t)y(t) 圖 2.1.1 盲處理原理框圖 2.2 盲信號處理的方法和分類 在盲信號處理中，就源信號進過傳輸通道的混合方式而言，其處理方法可 分為線性瞬時混合信號盲處理、線性卷積混合信號盲處理和非線性混合信號盲 處理三類。 根據(jù)通道傳輸特性中是否含有噪聲、噪聲特性（白噪聲、有色噪聲等） 、噪 聲混合形式，可分為有噪聲、無噪聲盲處理，含加性噪聲和乘性噪聲混合信號 盲處理等。 按源信號和觀測信號數(shù)目的不同可以將混合方式分為欠定 、適定和超定情 況 ;按源信號特性的不同分為 : 平穩(wěn) 、非平穩(wěn) 、超高斯 、亞高斯 、超高

15、斯 和亞高斯混合分離等 。 盲處理的目的可分為盲辨識和盲源分離兩大類。盲辨識的目的是求得傳輸 通道混合矩陣（新型混合矩陣、卷積混合矩陣、非線性混合矩陣等） 。盲源分離 的目的是求得源信號的最佳估計。當盲源分離的各分量相互獨立時，就稱為獨 立分量分析，即獨立分量分析是盲源分離的一種特殊情況。 2.3 盲信號處理技術(shù)的研究應(yīng)用 近年來，盲信號處理逐漸成為當今信息處理領(lǐng)域中熱門的課題之一，并且 已經(jīng)在尤其在生物醫(yī)學工程、醫(yī)學圖像、語音增強、遙感、通信系統(tǒng)、地震探 測、地球物理學、計量經(jīng)濟學和數(shù)據(jù)挖掘等領(lǐng)域顯示出誘人的前景，特別是盲 源分離技術(shù)、ica 的不斷發(fā)展和應(yīng)用最為引人注目。 1.語音識別領(lǐng)域

16、 語音信號分離、語音識別是盲處理應(yīng)用的一個重要領(lǐng)域。最典型的應(yīng)用就 是聲控計算機，計算機所接受到的語音指令肯定是肯定是帶有各種環(huán)境噪聲的， 還可能存在其他的語音信號（如有其他人說話） ，而且這些信號源與接收器的相 對位置也未知，計算機需要在這種情況下識別出正確的語音命令。在移動通信 中，往往存在通信質(zhì)量問題，極大的影響了通話效果，而盲源分離或盲均衡技 術(shù)能夠消除噪聲、抑制干擾及增強語音，提高通話質(zhì)量。 2.生物醫(yī)學信號處理 在生物醫(yī)學領(lǐng)域，盲信號處理可應(yīng)用于心電圖（ecg） 、腦電圖（eeg）信 號分離、聽覺信號分析、功能磁共振圖像（fmri）分析等。目前已經(jīng)有一些學 者將盲源分離技術(shù)成功地夠

17、應(yīng)用于腦電圖等信號的數(shù)據(jù)處理。 3 盲源分離法 3.1 盲源分離技術(shù) 盲源信號分離(blind source separation, bss) 是 20 世紀 90 年代迅速發(fā)展起 來的一個研究領(lǐng)域 。它具有可靠的理論基礎(chǔ)和許多方面的應(yīng)用潛力。其在生物 醫(yī)學工程 、醫(yī)學圖像 、語音增強 、遙感 、通信系統(tǒng) 、地震探測等領(lǐng)域有著 廣泛而誘人的前景 ,盲源分離成為信號處理和神經(jīng)網(wǎng)絡(luò)領(lǐng)域的研究熱點 。 盲源分離是針對從檢測的混合信號中估計或恢復源信號的問題提出的，是 指源信號、傳輸通道特性未知的情況下，僅由觀測信號和源信號的一些先驗知 識（如概率密度）估計出源信號各個分量的過程。例如最著名的雞尾酒會

18、問題， 僅根據(jù)多個麥克風檢測信號分離或恢復出某種語音源信號。 3.2 盲分離算法實現(xiàn) 在實際的 ica 盲分離算法應(yīng)用中,一般有時是必需的對觀測數(shù)據(jù)做一些預(yù)處 理技術(shù)，如用主成分分析 ( pca )降維和白化,用濾波器進行濾波降噪處理等。 另外,由于恢復準則的局限以及先驗知識的缺乏,盲信號分離方法只能得到源信號 的波形,而無法確定信號的幅值以及信號之間的順序。這兩點都需要人為的制定 規(guī)則(如規(guī)定信號的方差為 1 來確定幅值)來確定。 3.2.1 盲信號分離基本原理框圖 3.3 盲源分離技術(shù)的研究發(fā)展和應(yīng)用 1986 年，法國學者 jeanny herault 和 christian jutte

19、n 提出了遞歸神經(jīng)網(wǎng)絡(luò) 模型和基于 hebb 學習律的學習算法，以實現(xiàn) 2 個獨立源信號混合的分離。這 一開創(chuàng)性的論文在信號處理領(lǐng)域中揭開了新的一章，即盲源分離問題的研究。 其后二十幾年來，對于盲信號分離問題，學者們提出了很多的算法，每種 算法都 在一定程度上取得了成功。從算法的角度而言，bss 算法可分為批處理 算法和自適應(yīng)算法；從代數(shù)函數(shù)和準則而言，又分為基于神經(jīng)網(wǎng)絡(luò)的方法、基 于高階統(tǒng)計量的方法、基于互信息量的方法、基于非線性函數(shù)的方法等。盡管 國內(nèi)對盲信號分離問題的研究相對較晚，但在理論和應(yīng)用方面也取得很大的進 展。清華大學的張賢達教授在其 1996 年出版的時間序列分析高階統(tǒng)計 量方

20、法一書中，介紹了有關(guān)盲分離的理論基礎(chǔ)，其后關(guān)于盲分離的研究才逐 漸多起來。近年來國內(nèi)各類基金支持了盲信號處理理論和應(yīng)用的項目，也成立 了一些研究小組。 雖然盲源分離理論方法在最近 20 年已經(jīng)取得了長足的發(fā)展，但是還有許多 問題有待進一步研究和解決。首先是理論體系有待完善。實際采用的處理算法 或多或少都帶有一些經(jīng)驗知識，對于算法的穩(wěn)定性和收斂性的證明不夠充分。 盲源分 離尚有大量的理論和實際問題有待解決，例如多維 ica 問題、帶噪聲 信號的有效分離方法、如何更有效地利用各種先驗知識成功分離或提取出源信 號、一般性 的非線性混合信號的盲分離、如何與神經(jīng)網(wǎng)絡(luò)有效地結(jié)合、源信號 的數(shù)目大于觀察信號

21、的數(shù)目時 ica 方法等。另外，盲源分離可同其他學科有機 結(jié)合，如模糊系 統(tǒng)理論在盲分離技術(shù)中的應(yīng)用可能是一個有前途的研究方向； 盲源分離技術(shù)與遺傳算法相結(jié)合，可以減少計算復雜度，提高收斂速度。如何 有效提高算法對源信號統(tǒng)計特性的學習和利用也需要進行深入研究。在硬件實 現(xiàn)方面，盲分離問題也存在著極大的發(fā)展空間，例如用 fpga 實現(xiàn)等。 經(jīng)過人們將近 20 年的共同努力，有關(guān)盲分離的理論和算法得到了較快發(fā)展， 包括 盲分離問題本身的可解性，以及求解原理等方面的基本理論問題在一定程 度上得到了解決，并提出了一些在分離能力、內(nèi)存需求、計算速度等方面性能 各異的 算 法。由于該問題的理論研究深度和算

22、法實現(xiàn)難度都較大，目前對于 盲分離的研究 仍然很不成熟，難以滿足許多實際應(yīng)用需求，許多理論問題和算 法實現(xiàn)的相應(yīng)技術(shù)也有待進一步探索。 3.4 獨立成分分析 獨立分量分析 ( independent component analy2sis , ica) 是由 herault 和 j utten 在 1983 年提出,該方法不依賴與源信號類型相關(guān)的詳細知識或信號傳輸系 統(tǒng)特性的精確辨識,是一種有效的冗余取消技術(shù),被廣泛應(yīng)用于盲源分離 ( blind source separation bss)、特征提取和盲解卷、生理學數(shù)據(jù)分析語音信號處理、圖 像處理及人臉識別等領(lǐng)域。該方法根據(jù)代價函數(shù)的不同 ,

23、可以得到不同的 ica 算法,如信息最大化(infomax)算法、fast ica 算法、最大熵( m e)和最小互信息( mm i)算法、極大似然(ml)算法等。 在統(tǒng)計學中，獨立成分分析或獨立分量分析（independent components analysis，縮寫：ica）是一種利用統(tǒng)計原理進行計算的方法。它是一個線性變 換。這個變換把數(shù)據(jù)或信號分離成統(tǒng)計獨立的非高斯的信號源的線性組合。獨 立成分分析是盲信號分離（blind source separation）的一種特例。 3.4.1 獨立成分分析的定義 ica 是一種用來從多變量（多維）統(tǒng)計數(shù)據(jù)里找到隱含的因素或成分的方 法，被認

24、為是主成分分析（principal component analysis, pca）和因子分析 （factor analysis）的一種擴展。對于盲源分離問題，ica 是指在只知道混合信 號，而不知道源信號、噪聲以及混合機制的情況下，分離或近似地分離出源信 號的一種分析過程。 獨立成分分析（independent component analysis, ica）是近年來出現(xiàn)的一 種強有力的數(shù)據(jù)分析工具（hyvarinen a, karhunen j, oja e, 2001; roberts s j, everson r, 2001） 。1994 年由 comon 給出了 ica 的一個較為嚴

25、格的數(shù)學定義， 其思想最早是由 heranlt 和 jutten 于 1986 年提出來的。ica 從出現(xiàn)到現(xiàn)在雖然 時間不長，然而無論從理論上還是應(yīng)用上，它正受到越來越多的關(guān)注，成為國 內(nèi)外研究的一個熱點。特別是從應(yīng)用角度看，它的應(yīng)用領(lǐng)域與應(yīng)用前景都是非 常廣闊的，目前主要應(yīng)用于盲源分離、圖像處理、語言識別、通信、生物醫(yī)學 信號處理、腦功能成像研究、故障診斷、特征提取、金融時間序列分析和數(shù)據(jù) 挖掘等。 盲源分離技術(shù)是近二十年發(fā)展起來的一門新型科學，在各國科學家和研究 人員的努力下獲得了充分的發(fā)展，但是 ica 的研究方興未艾，它畢竟是一個涉 及面廣并且仍處于發(fā)展前沿的課題，在理論上還遠沒有成

26、熟，許多問題有待進 一步研究和解決。 (1)帶噪混合信號的盲分離問題。盲信號處理中的未知條件太多，混合信號 含有噪聲的情況下的盲源分離問題解決起來是相當困難的。盡管目前已有部分 算法對存在噪聲的情況表現(xiàn)出了良好的性能，但由于噪聲種類繁多，因此處理 起來仍很棘手?，F(xiàn)有的大多數(shù)盲源分離或盲解卷積算法都假設(shè)不含噪聲或者把 噪聲看作是一個獨立的信源信號來處理。 (2)非平穩(wěn)混合信號的盲源分離算法。許多情況下源信號可能是非平穩(wěn)的， 如何利用信號的非平穩(wěn)特性進行盲源分離是擺在廣大研究人員面前的一個現(xiàn)實 問題。 (3)卷積混合信號的盲源分離算法。在實際中，系統(tǒng)接收到的混合輸入信號 是源信號經(jīng)過不同的傳播途徑

27、到達接收器。在這個過程中，不可避免的存在信 號的時延和反射。針對這種情況的盲源分離算法還很不成熟。 (4)ica 的推廣應(yīng)用。在算法應(yīng)用方面，ica 可以取得進一步的發(fā)展，如可 以在語音識別、圖像處理、特征提取、醫(yī)學信號處理方面作進一步的研究。目 前的關(guān)鍵的問題是如何將理論算法轉(zhuǎn)化為實際應(yīng)用，以及如何建立更加符合實 際情況的模型等。 (5)算法的收斂性。算法全局收斂性的研究，可以考慮將遺傳算法、混沌算 法等具有全局收斂性的優(yōu)化算法和 ica 結(jié)合起來，提高算法的全局收斂性。 3.4.2 ica 的基本原理 （1）無噪聲的 ica 模型 ica 作為生成模型的估計給定隨即變量的一組觀 測，其中

28、是時間或者樣本標號，假設(shè)它們有獨立成分線 123 ( ),( ),( )x tx tx t( ) n x t t 性混合而產(chǎn)生： =a (3-1) 1 2 3 4 ( ) ( ) ( ) ( ) x t x t x t x t 1 2 3 4 ( ) ( ) ( ) ( ) s t s t s t s t 式中，是某個未知矩陣。 a 用向量-矩陣符號方式表示通常比上面的求和表達式更為方便。用隨機向量 x 來表示混合向量，其元素分別為，同樣地，用 來表示元素，用 1,.,n xx s1,.n ss 矩陣表示那些混合系數(shù)。所有的向量都理解為列向量；這樣或者稱的 a aij t xx 轉(zhuǎn)置就是一個行

29、向量。利用向量和矩陣符號表示，混合模型可以寫為： (3-2) xas 有時我們需要使用矩陣 a 中的列向量，如果將其表示為,則模型也可以寫為： (3-3) 1 n i i i xa s （2）有噪聲的 ica 模型 將基本的 ica 模型擴展到有噪聲的情形，并且假設(shè)噪聲是以加性噪聲形式 存在的。這是一個相當現(xiàn)實的假設(shè)，因為加性噪聲是因子分析和信號處理中通 常研究的標準形式，具有簡單的噪聲模型表達方式。因此，噪聲 ica 模型可表 示為： (3-4) xasn 式中，是噪聲向量。 1, . t n nnn 信號源噪聲，即直接添加到獨立成分（即信號源）上的噪聲。信號源噪聲 可用與式（2.1）稍有差

30、別的下式來表示： (3-5) ()xa sn 實際上，如果可以直接考慮帶噪聲的獨立成分，那么可將此模型寫為： (3-6) xas 可以看出，這就是基本的 ica 模型，只是獨立成分本身變了。 3.4.3 本文對 ica 的研究目的及實現(xiàn) 獨立分量分析的含義是把信號分解成若干個互相獨立的成分，它是為了解 決盲信號分離的問題而發(fā)展起來的。如果信號本來就是由若干獨立信源混合而 成的，ica 就能恰好把這些信源分解開來。故在一般的文獻中通常把 ica 等同 于 bss，ica 不同于主分量分析把目光投注于信號的二階統(tǒng)計量，研究信號間 的相關(guān)關(guān)系，而是基于信號的高階統(tǒng)計量，研究信號間的獨立關(guān)系。 作為一

31、個形象的圖示，我們可以借鑒下面的波形，原始的語言信號是類似 圖（3.4.1）中的信號，而混合信號是如圖(3.4.3)樣子的數(shù)據(jù)。需要解決的問題 是，如何僅使用圖(3.4.3)中的數(shù)據(jù)還原的到圖（3.4.1）的“源”信號。 0500100015002000250030003500400045005000 -2 0 2 x 10 -3 amplitude 信 信 信 信 0500100015002000250030003500400045005000 -5 0 5 x 10 -3 0500100015002000250030003500400045005000 -2 0 2 x 10 -3 050

32、0100015002000250030003500400045005000 -5 0 5 x 10 -3 sample 圖 3.4.1 源信號 s 11.522.533.54 -1 0 1 11.522.533.54 -5 0 5 amplitude 11.522.533.54 -1 0 1 11.522.533.54 -5 0 5 sample 信 信 信 信 圖 3.4.2 混合矩陣 a 0500100015002000250030003500400045005000 -5 0 5 x 10 -3 0500100015002000250030003500400045005000 -0.01

33、 0 0.01 amplitude 0500100015002000250030003500400045005000 -5 0 5 x 10 -3 0500100015002000250030003500400045005000 -0.02 0 0.02 sample 信 信 信 信 圖 3.4.3 混合信號 x 獨立成分分析方法能夠基于信息的的獨立性來估計，這樣我們就能從混合信 ij a 號中分離出三個原始信號。 123 ( ),( ),( )x tx tx t 123 ( ),( ),( )s t s t s t 4 盲語音信號分離的實現(xiàn)及抑噪分析 4.1 盲語音信號分離的實現(xiàn) 4.1.1

34、 盲信號分離的三種算法 (1)二階盲辨識（sobi） sobi 先對觀測信號作白化處理，得到。定義和的時延相關(guān)( )x t( )z t( )z t( )s t 矩陣為 (4-1) ( )( ) t z re z t zt (4-2) ( )( ) t s re s t st 由易知： ( )( )z tvs t (4-3) ( )( ) t zs rvrv 又因為，所以 (4-4) tt n vvv vi (4-5) ( )( ) t sz rv rv 由各分量相互獨立可知，是對角矩陣。由此可見，矩陣可以將( )s t( ) s rv 對角化。在 sobi 算法中，取一組不同的值，要求能同時使

35、( ) z r 12 ,., q v 得各個盡可能的對角化，其中。( ) zi r1iq （2）cica(constrained independent component analysis，clca)算法 約束獨立分量分析(constrained independent component analysis，cica)算法 是一種改良的 fastlca 算法。在 clca 提取過程中，通過引入簡單的約束參考 信號來幫助分離某特定目標分量，從而有利于去除干擾信號。clca 算法的基本 原理與 fastlca 相同，每次提取一個獨立分量。文中所選用的 cica 算法，實 際上是一種加入了約束參數(shù)

36、的 fastica 算法，從而使 ica 算法不用再進行特征 提取與目標判定，就可以容易的分離出所需要的目標分量。雖然 cica 算法對 信號分離具有良好的效果，但在實際應(yīng)用過程中，cica 還需要進一步的探討 研究。如閾值與學習率的選擇不當，就會很容易引起輸出結(jié)果發(fā)散。同時 收斂速度與誤差函數(shù)的選擇也有關(guān)系，誤差函數(shù)的形式要根據(jù)輸入數(shù)據(jù)( , )y r 和參考信號來進行選擇。 （3）fastica 算法 fastica 算法，又稱固定點(fixed-point)算法，是由芬蘭赫爾辛基大學 hyvrinen 等人提出來的。是一種快速尋優(yōu)迭代算法，與普通的神經(jīng)網(wǎng)絡(luò)算法 不同的是這種算法采用了批處

37、理的方式，即在每一步迭代中有大量的樣本數(shù)據(jù) 參與運算。但是從分布式并行處理的觀點看該算法仍可稱之為是一種神經(jīng)網(wǎng)絡(luò) 算法。fastica 算法有基于峭度、基于似然最大、基于負熵最大等形式，這里， 我們介紹基于負熵最大的 fastica 算法。它以負熵最大作為一個搜尋方向，可 以實現(xiàn)順序地提取獨立源，充分體現(xiàn)了投影追蹤（projection pursuit）這種 傳統(tǒng)線性變換的思想。此外，該算法采用了定點迭代的優(yōu)化算法，使得收斂更 加快速、穩(wěn)健。 因為 fastica 算法以負熵最大作為一個搜尋方向，因此先討論一下負熵判 決準則。由信息論理論可知：在所有等方差的隨機變量中，高斯變量的熵最大， 因而

38、我們可以利用熵來度量非高斯性，常用熵的修正形式，即負熵。根據(jù)中心 極限定理，若一隨機變量由許多相互獨立的隨機變量之和組xnisi,.3 , 2 , 1 成，只要具有有限的均值和方差，則不論其為何種分布，隨機變量較更 i sx i s 接近高斯分布。換言之，較的非高斯性更強。因此，在分離過程中，可通 i sx 過對分離結(jié)果的非高斯性度量來表示分離結(jié)果間的相互獨立性，當非高斯性度 量達到最大時，則表明已完成對各獨立分量的分離。 負熵的定義： （4- yhyhyn gaussg 6） 式中，是一與具有相同方差的高斯隨機變量，為隨機變量的微分熵 gauss yyh （4- dppyh yy lg 7）

39、 根據(jù)信息理論，在具有相同方差的隨機變量中，高斯分布的隨機變量具有 最大的微分熵。當具有高斯分布時，；的非高斯性越強，其微分y 0yngy 熵越小，值越大，所以可以作為隨機變量非高斯性的測度。 yng yngy fastica 算法的優(yōu)點： 1.收斂速度快，fastica 收斂速度為 2 次以上，普通的 ica 算法收斂僅為 1 次（線性）的。 2.和梯度算法不同，無須選步長參數(shù)，易于使用。 3.能利用任何的非線性函數(shù)直接找出任何非高斯分布的獨立分量，而對于 其他的算法來說，概率密度函數(shù)的估計不得不首先進行。 4.它的性能能夠通過選擇適當?shù)姆蔷€性函數(shù)來最佳化。 5.獨立分量可被逐個估計出來，類

40、似于做投影追蹤，這在僅需要估計幾個 （不是全部）獨立分量的情況下，能減小計算量。 6.fastica 算法有許多神經(jīng)算法的優(yōu)點，它是并行、分布式的且計算簡單， 內(nèi)存要求很少。 然而 fastica 算法也尤其自身的缺點，首先是它對初值的選擇較自然梯度 算法敏感，當初值的選擇不是很合適的時候，算法的分離性能急劇的下降，其 次算法的迭代步長有待進行自適應(yīng)的優(yōu)化。 簡單地說快速 ica 算法通過三步完成：首先，對觀測信號去均值；然后， 對去均值后的觀測信號白化處理；前兩步可以看成是對觀測信號的預(yù)處理， 通過去均值和白化可以簡化 ica 算法。最后，獨立分量提取算法及實現(xiàn)流程 見流程圖。 fastic

41、a 算法的方法輸出向量，在排列順序的時候可能出現(xiàn)顛倒和輸出 信號幅度發(fā)生變化。這主要是由于ica 的算法存在 2 個內(nèi)在的不確定性導 致的： (1）輸出向量排列順序的不確定性，即無法確定所提取的信號對應(yīng)原始 信號源的哪一個分量； (2）輸出信號幅度的不確定性，即無法恢復到信號源的真實幅度。 但由于主要信息都包含在輸出信號中，這2 種不確定性并不影響其應(yīng) 用 圖 4.1.1 fastica 算法流程圖 算法原理：算法原理： 獨立分量分析（ica）的過程如下圖所示：在信源中各分量相互獨立的( )s t 假設(shè)下，由觀察通過結(jié)婚系統(tǒng)把他們分離開來，使輸出逼近。( )x tb( )y t( )s t 圖

42、 4.1.2 輸出的一般過程 ica 算法的研究可分為基于信息論準則的迭代估計方法和基于統(tǒng)計學的代數(shù) 方法兩大類，從原理上來說，它們都是利用了源信號的獨立性和非高斯性?；?于信息論的方法研究中，各國學者從最大熵、最小互信息、最大似然和負熵最 大化等角度提出了一系列估計算法。如 fastica 算法, infomax 算法，最大似然 估計算法等?；诮y(tǒng)計學的方法主要有二階累積量、四階累積量等高階累積量 方法。本次設(shè)計主要討論 fastica 算法。 4.1.2 不同算法的分離性能比較 sobi 算法利用了源信號的頻譜差異性來分離源信號，當源信號中存在頻譜 結(jié)構(gòu)相似的分量時，分離性能便會較差，這是

43、 sobi 算法的缺點。 fastica 算法的特點: 1在 1ca 模型中，fastica 算的收斂速度是二次以上的，而梯度搜索法只 是一次收斂。 2與梯度搜索法相比，fastlca 的步長參數(shù)容易確定。 3 該算法適用于任何非高斯信號。 4可以通過選擇不同的非線性函數(shù) g(y)使算法的獲得不同的性能?；?f 獨立分量分析的混合語音信號自分離系統(tǒng)的研究 5可以逐個的估計獨立分量。 6 該算法是并行的、分布的，且計算簡單，需要的內(nèi)存較少。 fastlca 算法和其他的 ica 算法相比，有著許多我們期望的特性：收斂速 度快；和梯度算法不同，無需選擇步長參數(shù)，易于使用；該算法能適用于任何 非高斯

44、信號；可以通過使用不同的非線性函數(shù) g-(y)使算法獲得不同的性能； 獨立分量可被逐個估計出來，這在僅需要估計幾個獨立分量的情況下，能減小 計算量，fastica 算法有許多神經(jīng)算法的優(yōu)點：并行、分布、計算簡單，內(nèi)存 要求小，本文主要采用 fastica 完成忙語音信號的分離。 4.2 fastica 的算法仿真及結(jié)果分析 4.2.1 fastica 算法仿真實現(xiàn) 1 時域分析 下面仿真中所使用的語音源信號是在干擾噪聲很小的環(huán)境下用麥克風錄制 的 2 段不同的語音文件，保存成*.wav 文件 a.wav,b.wav2 個音樂采樣，圖 4.2.1 和圖 4.2.2 是這 2 個語音源信號的時域波

45、形幅度水平。 原始的語音信號時域圖如下: 圖 4.2.1 原始語音信號 x1 圖 4.2.2 原始語音信號 x2 混合后的語音信號 圖 4.2.3 混合信號 x1 圖 4.2.4 混合信號 x2 該仿真的混合矩陣是一個 3x3 的方陣 fastica 算法將觀察信號 x1，x2 分離，得到分離后信號 y1，y2 分別對應(yīng)源得到 的分離信號 y: 圖 4.2.5 分離信號 y1 圖 4.2.6 分離信號 y2 從試驗結(jié)果，我們可以看出分離語音信號從波形上看很好地保持了原始信 號 的波形，而且實際分離的語音信號在聽覺上也很好的實現(xiàn)了分離，而且?guī)缀鯖] 有什么失真效果。 圖 4.2.7 原信號 x1

46、與分離信號 y1 波形對比 圖 4.2.8 原信號 x2 與分離信號 y2 波形對比 2 頻譜分析 原始的語音信號時域頻譜圖如下: 圖 4.2.9 原始語音信號 x1 圖 4.2.10 原始語音信號 x2 混合后信號時域頻譜圖 圖 4.2.11 混合信號 y1 的時域頻譜 圖 4.2.12 混合信號 y2 的時域頻譜 利用 fastica 分離后的信號時域頻譜圖 圖 4.2.13 分離后語音信號 y1 圖 4.2.15 分離后語音信號 y2 圖 4.2.17 原信號 x1 和分離信號 y1 頻譜對比 圖 4.2.18 原信號 x1 和分離信號 y1 頻譜對比 4.2.2 分離結(jié)果分析 我們使用

47、 fastica 算法對 n2.wav ,n3.wav 作為源信號的混疊進行盲分離 試驗，從中分離出的兩個源信號的近似值 y1，y2。我們對本文給出的混合語音 信號進行分離觀察分離后的波形圖。 通過兩次分離試驗，通過分離前后時域頻譜圖的對比分析我們可以看出 fastica 算法可以很好的實現(xiàn)盲語音信號的分離。 圖 4.2.7 fastica 算法在 ica 工具箱的實現(xiàn) 4.2.2 fastica 算法的分離性能分析 通過 fastica 算法得到的分離信號后的波形圖 4.2.8 圖 4.2.9 與原始信號 的波形圖 4.2.1 圖 4.2.2 可以看出該算法較好地恢復了原始信號的波形。為了

48、定量地分析該算法的優(yōu)劣性下面將對分離前后的相關(guān)系數(shù)及相對誤差進行比較。 相關(guān)系數(shù)相對誤差 x1-y1-0.978041790257157 0.31547909862450 x2-y2-0.97745701174455 0.02656320903609 相關(guān)系數(shù)性質(zhì) （1）相關(guān)系數(shù)可正可負； （2）相關(guān)系數(shù)的區(qū)間是 -1,1，即xy1； （3）具有對稱性；即 x 與 y 之間的相關(guān)系數(shù)（ rxy）和 y 與 x 之間的相關(guān) 系數(shù)（ryx）； （4）相關(guān)系數(shù)與原點和尺度無關(guān)； （5）如果 x 與 y 統(tǒng)計上獨立，則它們之間的相關(guān)系數(shù)為零；但是r=0 不等 于說兩個變量是獨立的。即零相關(guān)并不一定意味

49、著獨立性； （6）相關(guān)系數(shù)是線性關(guān)聯(lián)或線性相依的一個度量，它不能用于描述非線性 關(guān)系； （7）雖然相關(guān)系數(shù)是兩個變量之間的線性關(guān)聯(lián)的一個度量，卻不一定有因 果關(guān)系的含義； 一般來說，相關(guān)系數(shù)越接近于 1，說明得到的分離結(jié)果越好，否則相反。 由得到的相關(guān)系數(shù)都為 1 可知，經(jīng)過獨立成分分析的 aastica 算法分離的效果 相當好。 5 結(jié) 論 盲源分離算法是盲源分離問題的核心，本文比較了幾種算法的特點并選用 fastica 算法進行了驗證，主要工作如下： 1研究獨立成分分析的原理及其基本模型。傳統(tǒng)的選取盲源分離算法只適用于 單純超高斯信號(或者亞高斯信號)混合系統(tǒng)的分離，不適用于雜系混合(超高

50、斯 和亞高斯信號)系統(tǒng)的分離。論文中的 ica 主要應(yīng)用于盲源分離的實現(xiàn)。 2語音信號是一種非平穩(wěn)信號，本文研究了快速定點(fastica)算法，利用這 種算法有效地解決了噪聲在語音信號中的分離問題。對算法進行了計算機仿真， 并通過時域和頻譜對仿真結(jié)果進行了比較。 盲源分離技術(shù)正在不斷的發(fā)展，新的問題和算法層出不窮。雖然已經(jīng)有很 多成熟的盲源分離算法，但是，作者認為還是有很多問題待于進一步的研究和 解決： (1)帶噪聲混合信號的盲分離問題。由于在盲信號處理中，存在太多的未知 條件，帶噪聲的混迭信號的盲分離是十分困難的?，F(xiàn)在研究的大部分盲源分離 或者盲反卷積算法，都假設(shè)無噪聲的情況或者把噪聲看作

51、一個獨立的源信號， 在高階統(tǒng)計方法中，由于高斯信號高階累計量為零，所以可以假設(shè)加性高 斯噪聲的存在，但是對于已有的盲源分離算法在什么情況下可以應(yīng)用到一般的 噪聲 混迭模型，是有待解決的問題。 (2)欠完備情形的盲源分離問題。無論是盲源分離還是盲解卷積，現(xiàn)存的大 多數(shù)算法都假設(shè)傳感器的數(shù)目大于或者等于源信號的個數(shù)，這是一種超完備形。 然而，傳感器數(shù)目少于信號源數(shù)目的欠完備問題也是需要解決的一大難題。 (3)非線性混合情形的盲源分離問題本文主要研究的是源信號的線性混合 模型，而非線性混合模型才更具有一般性，對它的深入研究，也會使將來研究 的一個熱點問題。 (4)盲源分離算法的實際應(yīng)用?，F(xiàn)有的一些算

52、法由于速度太慢，達不到實時 要求，而無法應(yīng)用于實際問題中。在保證算法性能的條件下，降低算法的復雜 性提高計算效率，也是一個關(guān)于 bss 的很重要的研究方向。 當前的語音信號盲分離算法所能解決的問題是有一定的適用范圍和限制條 件的，仍然處在實驗室研究階段，使這些算法從實驗室真正走向應(yīng)用還有很長 的研究歷程。 6 感想與總結(jié) 通過本次課程設(shè)計，使我對信號系統(tǒng)等幾門課程有了更深入的理解。為了學 好這些課程，必須在掌握理論知識的同時，加強上機實踐。一個人的力量是有 限的，要想把課程設(shè)計做的更好，就要學會參考一定的資料，吸取別人的經(jīng)驗， 讓自己和別人的思想有機的結(jié)合起來，得出屬于你自己的靈感。 程序的編

53、寫需要有耐心，有些事情看起來很復雜，但問題需要一點一點去解 決，分析問題，把問題一個一個劃分，劃分成小塊以后就逐個去解決。再總體 解決大的問題。這樣做起來不僅有條理也使問題得到了輕松的解決。 通過這次的課程設(shè)計我對于專業(yè)課的學習有了更加深刻的認識，以為現(xiàn)在學 的知識用不上就加以怠慢，等到想用的時候卻發(fā)現(xiàn)自己的學習原來是那么的不 扎實。以后努力學好每門專業(yè)課，讓自己擁有更多的知識，才能解決更多的問 題！ 7 參考文獻 1 王家耀. 空間信息系統(tǒng)原理m. 北京: 科學出版社, 2001. 2李德仁, 王樹良, 李德毅等. 論空間數(shù)據(jù)挖掘和知識發(fā)現(xiàn)的理論與方法j. 武漢大學學報(信息科學版), 20

54、02,27(3): 221-233. 3 楊行峻,鄭君里.人工神經(jīng)網(wǎng)絡(luò)與盲信號處理m.北京：清華大學出 版社,2003:327-330. 4 石慶研，黃建宇，吳仁彪.盲源分離及盲信號提取的研究進展j.中國民 航大學學報，2007,25(03):1-7. 5 趙艷.盲源分離與盲信號提取問題研究d. 西安:西安理工大學;2004. 6方元handsfree 系統(tǒng)噪聲抵消的研究南京大學博士學位論 文20034 7張徽強帶噪語音信號的端點檢測和聲韻分離國防科學技術(shù)大學碩士 學位論文，20054 8 楊福生，洪波獨立分量分析的原理與應(yīng)用嗍北京：清華大學出版社， 2003 9王舒猻，方勇，梁越基于盲源分離

55、的語音識別前端語音凈化處理研究 j電子技術(shù)應(yīng)用，2005，(10)，58 10 焦衛(wèi)東 ,楊世錫 ,吳昭同.基于獨立分量分析的噪聲消除技術(shù)研究j.浙 江大學學報 工學版 ,2004 ,38 7 :8722876. 11趙力. 語音信號處理m. 北京：機械工業(yè)出版社，2003：271-284 12胡可，汪增福. 一種基于時頻分析的語音卷積信號盲分離算法. 電子 學報. 2006,34（7）:：1246-1254 附 錄 源程序： % 初始化 % clc;clear all;close all; % 讀入原始聲音，做 fft，做出頻譜圖 % i1=wavread (sample1.wav); i2

56、=wavread (sample2.wav); i3=wavread (sample3.wav); figure(1) subplot(3,2,1);plot(i1);title(sample1), i11=fft(i1); subplot(3,2,2);plot(abs(i11);title(sample1 頻譜), sound(i1), subplot(3,2,3);plot(i2);title(sample2), i22=fft(i2); subplot(3,2,4);plot(abs(i22);title(sample2 頻譜), % sound(i2), subplot(3,2,5)

57、;plot(i3);title(sample3), i33=fft(i3); subplot(3,2,6);plot(abs(i33);title(sample3 頻譜), % sound(i3), % 三種聲音混合 % % 讀入原始音頻，混合，并輸出混合聲音 % figure(2) subplot(3,3,1),plot(i1),title(sample1), subplot(3,3,2),plot(i2),title(sample2), subplot(3,3,3),plot(i3),title(sample3), % 將其組成矩陣 s=i1;i2;i3; % 音頻個數(shù)即為變量數(shù)，聲音的取

58、點數(shù)即 為采樣數(shù) % 因此 s_all 是一個變量個數(shù)采樣個數(shù) 的矩陣 sweight=rand(size(s,1); % 取一隨機矩陣，作為信號混合的混合 矩陣 mixeds=sweight*s; % 得到三個聲音信號的混合聲音矩陣 % 將混合聲音矩陣排列輸出 subplot(3,3,4),plot(mixeds(1,:),title(混合 sample1), % sound(mixeds(1,:), subplot(3,3,5),plot(mixeds(2,:),title(混合 sample2), % sound(mixeds(2,:), subplot(3,3,6),plot(mixe

59、ds(3,:),title(混合 sample3), % sound(mixeds(3,:), mixeds_bak=mixeds; % 將混合后的數(shù)據(jù)備份，以便在恢復 時直接調(diào)用 %混合聲音分離% % 中心化 % mixeds_mean=zeros(3,1); for i=1:3 mixeds_mean(i)=mean(mixeds(i,:); end % 計算 mixeds 的均值 for i=1:3 % 去均值，混合聲音中心化 for j=1:3 %size(mixeds,2) mixeds(i,j)=mixeds(i,j)-mixeds_mean(i); end end % 白化處理

60、% mixeds_cov=cov(mixeds); % cov 為求協(xié)方差的函數(shù) e,d=eig(mixeds_cov); % 對混合矩陣的協(xié)方差函數(shù)進行特 征值分解 q=inv(sqrt(d)*(e); % q 為得到白化矩陣的 mixeds_white=q*mixeds; % mixeds_white 矩陣為白化后 的聲音矩陣 isi=cov(mixeds_white); % isi 應(yīng)為單位陣 %fastica 算法 % x=mixeds_white; % 以下算法將對 x 進行操作 variablenum,samplenum=size(x); numofic=variablenum;