一种基于改进独立向量分析算法的声信号盲分离方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN106887238A(43)申请公布日2017.06.23(21)申请号201710117865.X(22)申请日2017.03.01(71)申请人中国科学院上海微系统与信息技术研究所地址200050上海市长宁区长宁路865号(72)发明人赵沁郭峰祖兴水常玉超刘华巍李宝清袁晓兵(74)专利代理机构上海智信专利代理有限公司31002代理人邓琪余中燕(51)Int.Cl.G10L21/0272(2013.01)G10L25/27(2013.01)权利要求书2页说明书4页附图3页(54)发明名称一种基于改进独立向量分析算法的声信号盲分离方法(57)摘要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信号，更快达到收敛；算法对更新步长的初始值不敏感，鲁棒性好，稳定性高。CN106887238ACN106887238A权利要求书1/2页1.一种基于改进独立向量分析算法的声信号盲分离方法，其特征在于，包括以下步骤：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。2.根据权利要求1所述的基于改进独立向量分析算法的声信号盲分离方法，其特征在T于，在所述步骤1中，将N个源信号表示为s(t)＝[s1(t),s2(t),...,sN(t)]，M个观测信号表T示为x(t)＝[x1(t),x2(t),...,xM(t)]，则在每一时刻t有如下关系式：在式(1)中，aij(l)表示第i个源信号到第j个传感器的冲激响应，L表示冲激响应的长度，且L＜∞。3.根据权利要求2所述的基于改进独立向量分析算法的声信号盲分离方法，其特征在于，在所述步骤2中，通过短时傅里叶变换将式(1)变换到频域，得到Xf(n)＝AfSf(n)，并建立频域分离信号模型Yf(n)＝Wf·Xf(n)；其中，f表示频点，且f＝1,2,…,F，F表示频点数目，Af和Wf分别表示第f个频点对应的混合矩阵和分离矩阵。4.根据权利要求3所述的基于改进独立向量分析算法的声信号盲分离方法，其特征在于，在所述步骤3中，所述预处理包括使观测信号Xf(n)零均值化和白化，并使分离矩阵Wf正交。5.根据权利要求4所述的基于改进独立向量分析算法的声信号盲分离方法，其特征在于，在所述步骤4中，所述自适应自然梯度的独立向量分析算法通过以下步骤实现：步骤41，构建目标函数为：在式(2)中，q(yi)为分离信号yi的概率密度函数，p(y1…yN)为联合概率密度函数，I为单位矩阵；步骤42，采用自然梯度更新算法得到分离矩阵Wf，即，令第k+1次迭代公式表示为：Wf(k+1)＝Wf(k)+μ(k)[I-f(yf)(yf)T]Wf(k)(3)，2CN106887238A权利要求书2/2页在式(3)中，μ(k)表示更新步长，且μ(k)的表达式如下：μ(k)＝α|1-eβ·RE|(4)，在式(4)中，α和β是经验常数，RE为目标函数的相对误差；步骤43，根据Yf(n)＝Wf·Xf(n)逐频点得到频域的分离信号Yf(n)。6.根据权利要求5所述的基于改进独立向量分析算法的声信号盲分离方法，其特征在于，在所述步骤42中，α取0.7，β取0.3。7.根据权利要求5所述的基于改进独立向量分析算法的声信号盲分离方法，其特征在于，在所述步骤5中，对Yf(n)进行逆短时傅里叶变换，以得到时域的分离信号。3CN106887238A说明书1/4页一种基于改进独立向量分析算法的声信号盲分离方法技术领域[0001]本发明涉及盲源分离信号处理领域，特别是涉及一种基于改进独立向量分析算法的声信号盲分离方法。背景技术[0002]随着数字信号处理理论和技术的发展以及相关学科的不断深入，大量有效的盲分离算法不断被提出，使盲分离问题逐渐成为当今信息处理领域中最热门的研究课题之一。在无线通信、图像处理、