语音信号盲分离算法研究.doc

语音信号盲分离算法研究盲源分离(BlindSourceSeparation,BSS)作为当代的信号处理领域热点研究课题,被广泛地应用于雷达信号处理,医学信号处理,图像增强等领域。语音信号是信息传递的主要承载工具,利用盲源分离技术实现混合语音信号的分离具有重要的研究意义。本文主要针对瞬时混合与卷积混合两种情况下的混合语音信号的盲分离问题展开研究,主要研究工作如下:在论述了盲源分离基本理论的基础上,通过大量实验验证了基于负熵最大化的独立分量分析算法(NM-ICA)、基于互信息最小化的独立分量分析算法(MMI-ICA)和基于极大似然的独立分量分析算法(ML-ICA)的性能后发现,在相似的分离性能下,NM-ICA算法具有更快的收敛速度。研究了基于独立量分析的THINICA算法、EFICA算法,以及基于联合对角化的WASOBI算法。将算法应用于仿真数据及人工混合语音信号的盲分离后发现,THINICA算法的分离性能优于EFICA算法和WASOBI算法。在分析了EFICA算法与WASOBI算法对源信号统计特性假设的基础上,提出了一种基于EFICA与WASOBI算法联合的独立分量分析算法(EW-ICA算法)。利用仿真数据及人工混合语音信号进行分离测试发现,所提出的EW-ICA算法的分离性能优于EFICA算法、WASOBI算法和THINICA算法。通过大量的仿真实验明确了源信号的非高斯性与混合信号中噪声强度对EW-ICA算法和THINICA算法分离性能的影响。实验结果表明源信号的非高斯性越强、混合信号中噪声强度越小,算法最终分离效果就越好。针对卷积混合盲源分离问题,研究了基于频域的TFBSS解卷积盲分离算法、基于独立向量分析的FASTIVA算法和基于观测空间分量分解的时域音频信号盲分离法(TCDBSS)。分别用以实现真实环境下采集的含有噪声与不含噪声的实录混合语音盲分离,实验结果表明,与其他两个算法相比,TCDBSS算法具有更好的分离性能,且算法收敛速度更快,抗噪性能更好。