一种基于改进蝴蝶优化算法的语音信号盲分离方法.pdf
睿达****的的
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
一种基于改进蝴蝶优化算法的语音信号盲分离方法.pdf
本发明公开了一种基于改进蝴蝶优化算法的语音信号盲分离方法,具体包括:从语音信号中获取源信号,经过非奇异混合矩阵处理得到观测信号;对步所述观测信号进行中心化和白化处理;设定最大迭代次数T,维度空间D,[0,1]之间的随机数r,得到初始种群x,其中每个个体x
基于改进粒子群优化的分段盲信号分离方法.pdf
本发明属于信号处理技术领域,本发明旨在实现将粒子群算法应用于快速分离阶段,且有更快的收敛速度和更好的稳态性能。本发明采用的技术方案是,基于改进粒子群优化的分段盲信号分离方法,包括如下步骤:步骤(1):对于当前时刻输入的信号,计算当前的信号的整体分离程度D(t);步骤(2):根据D(t)来选择步长的确定方式,当D(t)>0.25时,分离过程处于快速分离阶段,选择改进粒子群算法来确定当前步长;步骤(3):当D(t)≤0.25时,分离过程处于精细分离阶段,选择相对平缓的非线性函数来确定当前步长;利用改进的
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-
一种基于改进独立向量分析算法的声信号盲分离方法.pdf
本发明提供一种基于改进独立向量分析算法的声信号盲分离方法,包括:步骤1,通过M个传感器采集N个源信号的卷积混合信号,以得到M个观测信号;步骤2,通过短时傅里叶变换将所述观测信号从时域转换到频域,并建立基于分离矩阵的频域分离信号模型;步骤3,逐频点对频域的所述观测信号和分离矩阵进行预处理;步骤4,采用基于自适应更新的自然梯度独立向量分析算法逐频点进行盲分离处理,以得到频域的分离信号;步骤5,对频域的分离信号进行逆短时傅里叶变换,以得到时域的分离信号。本发明考虑声信号的卷积混合,自适应更新,能够更精确地恢复源
卷积语音信号的频域盲分离排序算法.pdf
本发明提供了一种卷积语音信号的频域盲分离排序算法,对于卷积混叠语音信号,首先由时域转换到频域,在每个频带上使用频域ICA算法进行盲分离,然后使用本发明的排序算法进行排序:(1)选取基准频带进行对准;(2)根据已排序好的基准频带对剩余频带进行排序;(3)标记可能出现排序错误的频带,利用基于分离矩阵的DOA估计进行补充性对准。本发明利用基准频带对准的思想并结合了现有基于频带相关性的排序算法和基于DOA的排序算法两类排序算法的优势,具有很好的鲁棒性和准确性,并且在真实环境中仍然适用。