《论文初稿》由会员分享，可在线阅读，更多相关《论文初稿（74页珍藏版）》请在金锄头文库上搜索。
1、基于独立分量分析的混合语音信号盲分离系统的研究1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
2、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
3、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：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基于独立分
4、量分析的混合语音信号盲分离系统的研究2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 Heraul
5、t J.3最早提出的，紧接着由 Comon P4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
6、法以及 Cichocki A.和 Unbehauen R.的算法联系密切。1996年 Cardoso5, 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
7、法中对照函数发现之间有着密切的联系13。1997 年，Hyvrinen 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Joustensalo19，Xu20和 Oja21提出的非线性 PCA 方法可以认为是信息最大化基于独立分量分析的混合语音信号盲分离系统的研究3原理，近似于神经网络输出的互
8、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
9、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、数据采掘等方面均具有突出的作用。1.2 盲信号分离技术的研究
10、现状到目前为止，ICA/BSS的研究又有了许多新的发展和深入，已成为多维数据处理的强有力工具。Te-Won Lee，Jean-Francois Cardoso，Erkki Oja，Shun-ichi Amari等人收录并总结归纳了体现ICA最新研究发展动态的14篇科研论文，其内容包括了ICA的理论及算法的研究，ICA的非线性、稀疏性及非平稳性表达以及ICA的应用等方面:Cardoso22研究了多变量随机变量空间，阐明了互信息、熵以及非高斯性之间的关系，指出由于相关性和非高斯性的特性互信息可以分解为后两项的和。Bach和Jordan24提出了一种ICA泛化方法。他们通过一种树结构的图模型寻求一种
11、变换得到各数据向量，而不是通过寻求一种线性变换使输出数据各向量相互独立。这种基于树结构的成分分析(tree-dependent component analysis, TCA)提供了一种易处理的且灵活的方法以削弱ICA中各成分相互独立的假设。Teh等人25提出了一种方法将ICA扩展到过完全基表达中。与ICA的因果扩展相比较，他们提出了一种基于能量的模型，这种模型中特征定义为输入的确定性基于独立分量分析的混合语音信号盲分离系统的研究4函数，这使得特征相对于输入具有条件独立性。ICA最基本的对比函数互信息可推导出源信号熵的最小化。Parra和Sajda26指出线性盲分离在特定的假设下可以转化为一种
12、泛化的特征值分解，用这一方法可以确定可盲分离的必要条件。Learbed-Miller和Fisher27考虑了熵估计方法，而不是完全考虑概率密度的估计。他们所提出的熵估计器是基于阶次统计，并与现有的几种算法进行了比较。Almeida30提出了一种求解非线性混合独立源信号的方法，所用的分离准则为infomax准则，非线性函数则为多层感知器，它提供了一种平滑映射并给出了分离规则。Ziehe等人31提出了非线性函数求逆的方法以减少线性ICA所遇到的问题。他们提出了两种方法：第一种：寻求一种非线性传递函数使得它与输出最大程度线性相关，这一传递函数优化了非线性函数的求逆。第二种方法：利用传递函数使得输出高
13、斯化即相当于非线性函数之前的线性混合信号。Kisilev等人32应用多尺度变换(如小波包)的特性将信号分解为具有不同程度稀疏性的局部特征，并分析了分解系数的稀疏性以及系数的真实概率密度与估计模型不匹配时对信号分离误差的影响。Jang和Lee33利用信号的稀疏性从单通道混合信号中分离出独立的源信号，此方法是基于一信号模型，在此信号模型中每一种源信号都由一系列固定的时域基函数组成，这些基函数由稀疏的独立系数提取而成。Basalyga和Rattray34从理论上研究了ICA在线学习的动态特性。学习曲线通过了许多不稳定的固定点，文章通过统计物理的方法进行了阐明。Waheed和Salam35运用通用状态
14、空间方法得到了非线性时变解卷积混合信号盲分离的统一方法。Sareka和Vigario36处理了ICA算法中的过学习现象。他们阐明过学习导致算法出错，且利用实际方法克服此困难。Bounkong等人37提出了一种基于独立ICA域的方法在数字水印中的应用，他们的方法可以应用于图像、音乐和影视文件中的稳定水印的嵌入。在嵌入稳定水印时，此方法对于恶意和非恶意攻击都具有较高的信噪比和稳健性，并保持了很低的引入信息失真。Stainvas和Lowe38提出了一种新的基于ICA的概率模型用于源信号数目多于观测量数目的情况，它能处理图像分割与去除光照的问题。有关 ICA 研究更详细的文献可参阅文献39-41。目前
15、 ICA 的理论研究热点主要集中在以下几个方面：1.含噪 ICA，大多数无噪模型下的 ICA/BSS 算法对含噪模型失效，而含噪ICA 更符合实际应用。2.多维 ICA，对 ICA 的基本模型稍作变化，分离出的随机向量实现互独立的各分量的和，其各分量不一定是一维的。在 BSS 模型中，等效为将源信号分离成相互独立的子集，在子集中各分量不一定独立。3.欠定问题。源的数目多于传感器数目时的 ICA，实际上是含噪 ICA 的特殊基于独立分量分析的混合语音信号盲分离系统的研究5情况。4.全局收敛算法。5.非平稳环境下的 ICA。6.盲解卷积。存在时延的 ICA，可以直接用于解决实际问题。7.非线性 I
16、CA。1.3 盲分离的应用BSS技术在现实世界中有广泛的潜在应用。除了在无线通信噪声消除方面，现有BSS技术的一些应用研究己经实施在医学信号处理、通信、语音识别、时间序列分析、数据提取等。这方面的例子有：1) 语音识别语音识别方面最具特色的是鸡尾酒会问题。在鸡尾酒会上有多人同时说话，如何将这些话语分辨出来成为BSS第一批标准研究课题，A.J.Bell等对此问题的研究成为ICA算法发展史的里程碑之一。该项研究能分辨出10个说话人的话语，显示了ICA的巨大潜力。2) 医学信号处理Makeigetal曾指出ICA算法能抽取脑电信号(EEG)活动和线性分解EEG的人为因素如噪声、眨眼、心电噪声等成分，Mckeownetal曾用ICA算法研究核磁共振(MAR)数据中的任务相关的人脑活动。再如，对孕妇心电信号的处理，由于从孕妇身上测到的心电信号实际上包含了孕妇自己和胎儿各自的心电信号的混合，由于传输介质未知，这同样又是一个盲分离问题，通过信号盲分离方法可以将这种混合信号分
