基于独立分量分析的混合语音信号盲分离系统的研究

基于独立分量分析的混合语音信号盲分离系统的研究

第一章 绪论 ..................................................................................................................................... 3

1.1盲信号分离的研究背景和意义 ........................................................................................ 3 1.2盲信号分离技术的研究现状 ............................................................................................ 5 1.3盲分离的应用 .................................................................................................................... 6 1.4 本文研究内容及文章结构 ............................................................................................... 7 第二章 盲分离技术的基本理论 ................................................................................................... 8

2.1 盲分离问题的描述 ........................................................................................................... 8 2.2 独立分量分析概论 ......................................................................................................... 10 2.2.1 ICA的基本概念 ......................................................................................................... 10 2.2.2 ICA的发展简史 ......................................................................................................... 10 2.2.3 ICA的实现条件 ......................................................................................................... 11 2.3 ICA的目标函数 ............................................................................................................. 12 2.3.1 最大似然目标函数 ..................................................................................................... 12 2.3.2 统计独立性目标函数 ................................................................................................. 13 2.3.3 信息最大化（最大熵）目标函数 ............................................................................. 15 2.4 ICA的学习算法 ............................................................................................................. 16 2.4.1 相对梯度学习算法 ..................................................................................................... 16 2.4.2 自然梯度学习算法 ..................................................................................................... 19 2.5 本章小节 ......................................................................................................................... 22 第三章 瞬时混合盲分离系统的研究 ........................................................................................... 22

3.1 瞬时混合模型描述 ......................................................................................................... 22 3.2 基于独立分量分析的自适应盲分离方法 ..................................................................... 23 3.2.2 统计独立性的表示 ..................................................................................................... 23 3.2.3算法推导 ...................................................................................................................... 25 3.2.4实验仿真 ...................................................................................................................... 27 3.4信息最大化分离方法 ...................................................................................................... 28 3.4.1准则函数的提出 .......................................................................................................... 28 3.4.2算法推导 ...................................................................................................................... 29 3.4.3 对非线性函数的选择 ................................................................................................. 31 3.4.4 实验仿真 ..................................................................................................................... 33 3.5信息最大化与独立分量分析的关系 .............................................................................. 34 3.6本章小结 .......................................................................................................................... 34 第四章 时延和卷积混合盲分离系统的研究 ............................................................................... 36

4.1介绍 ................................................................................................................................. 36 4.2时延混合模型分离算法 ................................................................................................. 37 4.2.1 时延混合模型描述 ..................................................................................................... 37 4.2.2算法推导 ...................................................................................................................... 37 4.2.3 仿真 ............................................................................................................................. 39 4.3卷积混合模型分离算法 ................................................................................................. 40 4.3.1卷积混合模型描述 ...................................................................................................... 40 4.3.2时域方法 ...................................................................................................................... 41 4.3.2.1前向结构的分离算法 .............................................................................................. 43 4.3.2.2 反馈结构的分离算法 ............................................................................................. 44 4.3.3 实验仿真 ..................................................................................................................... 45

1

基于独立分量分析的混合语音信号盲分离系统的研究

4.3.4结果分析： .................................................................................................................. 47 4.4 本章小结 ........................................................................................................................ 48 第五章 混合语音信号的FastICA盲分离系统的研究 ............................................................... 49

5.1 时域FastICA的研究 ..................................................................................................... 49 5.1.1 ICA中的信号预处理 .................................................................................................. 50 5.1.2目标函数的选择 .......................................................................................................... 51 5.1.3定点算法 ...................................................................................................................... 52 5.1.3.1单个信号的定点算法 .............................................................................................. 52 5.1.3.2多个信号的定点算法 .............................................................................................. 53 5.1.3.4 FastICA算法的特点 .............................................................................................. 54 5.1.3.5 实验仿真 ................................................................................................................. 55 5.2 卷积混合的频域FastICA算法的研究 ......................................................................... 57 5.2.1 卷积混合的频域盲分离模型 ..................................................................................... 57 5.2.2 频域复值FastICA算法 ............................................................................................. 59 5.2.3 卷积混合频域盲分离算法中次序不确定问题的解决 ............................................. 62 5.3 实际环境中的混合语音盲分离 ..................................................................................... 64 5.3.1 实际声学环境中语音信号的统计特性 ..................................................................... 64 5.3.2 实际环境中基于FastICA的时频域混合语音信号盲分离算法。 ......................... 64 5.3.3 实验仿真 ..................................................................................................................... 66 5.3.4 结果分析 ..................................................................................................................... 70 3.4 本章小结 ......................................................................................................................... 70 第六章 结论与展望 ....................................................................................................................... 71

6.1 结论 ................................................................................................................................. 71 6.2 展望 ................................................................................................................................. 71 致 谢 ............................................................................................................................................ 72

基于独立分量分析的混合语音信号盲分离系统的研究

摘 要

盲分离 (Blind signal separation，BSS)技术是现代信号处理领域中一个崭新的研究方向。目前已广泛应用于语音信号处理、图像处理、多用户通信、阵列信号处理及医学信号处理等许多领域。目前解决盲分离问题主要利用独立分量分析(Independent component analysis，ICA)方法提取相互统计独立的源信号。本文着重研究ICA在语音信号瞬时盲分离系统、卷积盲分离系统，以及在此基础上推导出的FastICA算法及基于FastICA的盲分离系统，并且对其进行了在实际环境下的混合语音盲分离的实验仿真。归纳起来，本文的主要工作有：

首先介绍盲信号分离技术的基本理论；然后研究瞬时盲分离系统，并对其进行了语音信号的仿真实验；对语音信号这一时延卷积混合的盲分离问题，本文研

2

基于独立分量分析的混合语音信号盲分离系统的研究

究了时域卷积信号的盲分离，建立了时域卷积盲分离系统。最后，本文着重研究了频域盲解卷积算法，推导了频域复值FastICA算法，从而建立了基于FastICA的时频域盲分离系统，并将其应用到实际环境中的语音信号盲分离中。与时域盲分离方法比较大大提高了盲分离的精度和收敛速度，增强了实用性。

本文的创新点主要体现在：

对于实际环境中的混合语音信号盲分离问题，本文以独立分量分析（ICA）为基础，通过在瞬时混合盲分离系统基础上推出的时域FastICA算法与在时域卷积混合的盲分离系统的基础上推出的频域卷积混合的盲分离算法相结合，提出了频域复值FastICA算法，再将此算法与时域预处理以及最后回到时域中的利用相关系数求解分离信号相结合，从而建立了一个新的盲分离系统――基于FastICA的时频域盲分离系统，即T-F FastICA系统。该系统解决了时域算法迭代时间长、实时性差的问题。通过应用于实际环境中语音信号的盲分离证明了该算法运算速度快、精度高的特性，大大增强了算法的实用性。

关键词：盲信号分离(BSS)，独立分量分析(ICA)，时域卷积，频域卷积，时频域FastICA

第一章 绪论

1.1盲信号分离的研究背景和意义

近年来，盲信号分离是目前信号处理中最热门的新兴技术之一，它具有稳定的理论基础和许多方面的应用潜力。

盲信号分离(Blind Source Separation，BSS)是在混合过程未知(即所谓“盲”)的情况下，从观察到的统计独立的源信号的混合数据中恢复一系列源信号。通常，该问题的混合过程非常复杂，在混合过程中，信源可能会交叉结合，并且观察值也可能是在噪声及时延条件下测量所得。

关于盲信号分离的研究，早在20世纪70年代就开始有了一些基本研究，通常文献认为盲分离的研究是由Jutten C 和 Herault J.[3]最早提出的，紧接着由Comon P[4]提出了独立成分分析的概念，并指出与盲分离的本质是相同的。

1995年以Amari为代表的研究小组对盲分离算法进行了深入的研究，取得了

3

基于独立分量分析的混合语音信号盲分离系统的研究

卓越的成果。Bell T.和Sejnowski T.提出的信息最大化算法（infomax）[7]能够较好的解决语音和音乐信号的瞬时线性盲分离问题。同时，神经网络、信息论、统计学、系统论和信息几何等信号处理手段也被应用于信号的盲分离问题的解决中。1997年，Amari和Yang H.H.等人[9, 10]用自然梯度方法完善了infomax算法，大大提高了算法的收敛速度和统计有效性，并证明其基本原理与最大似然估计方法以及Cichocki A.和Unbehauen R.的算法联系密切。1996年Cardoso[5, 6]也独立地发展了同样的完善措施，他称其为相对梯度，使得ICA算法收敛速度加快，也更加实用。另外，Lee等人推广了infomax算法[11]，提出了适用于亚/超高斯分布的源信号的盲分离算法。

1996年以后，Karhunen J.等人将非线性引入了常规的PCA网络

[12]

实现ICA

的求解，并分析了基于非线性PCA准则的自适应算法与infomax算法、EASI（Equivariant Adaptive Separation via Independent）算法、Bussgang算法中对照函数发现之间有着密切的联系[13]。1997年，Hyv?rinen Aapo将固定点算法引入求解基于高斯矩的准则函数，推导出了FastICA算法[14, 15]，得到了截至目前收敛速度最快的ICA算法，然而该算法不是自适应处理算法，工程实现难度较大。

从不同出发点研究得出的不同的ICA算法，经证明它们之间存在着紧密的联系。Cardoso证明了infomax方法与最大似然方法是等效的[17]。Karhunen和Joustensalo，Xu

[19]

[20]

和Oja

[21]

提出的非线性PCA方法可以认为是信息最大化原

理，近似于神经网络输出的互信息。Bell和Sejnowski也证明了他们的infomax算法和Bussgang算法在信号处理方面的相似性，Lambert证明了三种不同的Bussgang代价函数间的联系。Lee等人证明了Bussgang特性如何与信息最大化原理相联系，所有不同的方法都可以纳入基于信息论方法的BSS问题的统一框架。

90年代中期以后，涌现了大量关于ICA的论文、会议和专题报告。1999年，在法国的Ausois进行了第一届ICA国际会议，2000年在芬兰的赫尔辛基大学举办了第二届ICA国际会议，会议议题集中在ICA和BSS，此时ICA已经发展成为一个比较成熟的研究领域。紧接着2001年在美国圣地亚哥召开了第三届ICA/BSS专题大会。2003年则在日本奈良举办了第四届ICA/BSS专题大会，2004年9月22-24日在西班牙Granada举办了第五届ICA/BSS专题国际会议。

盲信号分离作为计算智能学的核心研究内容，是20世纪最后十年迅速发展起来的一个新研究领域，是人工神经网络与统计信号处理以及信息理论相结合的产 物，已经成为一些领域研究与发展的重要课题，特别是在生物医学工程、医疗图 象、语音增强、远程传感、雷达与通信系统、地震勘探、地球物理、计量经济学、

4