一种基于匹配追踪的语音盲源分离算法

研究基于Gabor的过完备字典的匹配追踪（Matching Pursuit,MP）稀疏分解算法,首先对混合语音信号进行稀疏分解。针对传统MP算法运行时间长,占用存储范围大以及语音信号稀疏分解特性的特点,利用快速傅里叶变换（Fast Fourier Transformation,FFT）的MP稀疏分解缩小了最佳原子的搜索范围,提高运行速度。然后基于峭度的自适应盲源分离算法,通过自适应地学习算法中的激活函数最终实现语音信号的盲源分离。此算法经过仿真实验,证明分离效果比传统算法有了一定的改进,实验结果证实算法的有效性。     

面向高混响环境的欠定卷积盲源分离算法

为了解决高混响环境下欠定卷积混叠信号的分离问题,提出一种新的欠定卷积盲源分离算法。针对高混响环境的影响,设计全局脉冲响应网络削弱混响回声,提高信号质量。基于全局脉冲响应网络建立新的时频域混叠信号数学模型,采用全局脉冲响应矩阵缩短了传统脉冲响应的长度,降低了高混响带来的模型变换近似误差。基于非负矩阵分解理论设计模型参数的实时更新学习规则,将源信号分离问题转换为模型参数优化问题,实现混叠信号的盲源分离。实验结果表明,所提算法可以有效地实现中英文语音、音乐混叠信号的盲源分离,与现有比较流行的盲源分离算法的对比验证了所提算法的优越性。     

基于阵列结构的盲源分离算法

利用源信号的统计独立性提出了一种由混合信号和分离信号估计混合矩阵的算法,避免了一次矩阵求逆运算。同时,利用天线阵列的结构信息提出了一种直接重构混合矩阵的算法,该算法不需要估计源信号的载频和入射角。仿真结果表明,所提算法与基于来波方向估计的盲分离算法性能相当,在信号入射角间隔较大时,所提算法性能优于普通的盲分离算法,并且大大减少了运算量。     

结合ICA和复数神经网络的二麦阵列盲源分离技术

为了降低语音信号盲源分离算法的延时,提高其准确性和稳定性,本文结合传统盲源分离技术和深度神经网络的优势,提出了一种基于ICA独立分量分析和复数神经网络的二麦阵列盲源分离技术。本文将复数递归神经网络和独立分量分析方法有机融合,提出一种基于时频域的双通道复数神经网络,同时解决了独立分量分析中的排列问题。所提方法利输入混合信号利用复数域神经网络计算初始化分离矩阵,神经网络输出采用复数域形式,利用复数学习标签估计复数矩阵,然后采用独立分量分析方法获得目标分离矩阵。实验数据表明,所提方法相较于其它独立分量分析方法提高了盲源分离的实时性和准确性。      

快速NMF盲源分离算法

将秩一非负矩阵分解应用于盲源分离问题,把基于欧式距离的目标函数转化成二次函数的形式;施加稀疏性约束和正交性约束保证信号可分离性;利用二次函数的性质分别推得混合矩阵和源信号的迭代公式,从而得到一种基于秩一分解的快速NMF盲源分离算法（NMF-R1)。分析得到一次迭代更新NMF-R1算法比传统NMF盲源分离算法（NMF-BM)所需乘法次数少约30%,NMF-R1算法无矩阵求逆运算,NMF-BM算法还需2次矩阵求逆运算。图像信号的超定和欠定盲源分离仿真结果表明,NMF-R1算法都能分离出源信号, NMF-BM算法只能分离超定混合信号;NMF-R1算法与NMF-BM算法比,分离性能好、收敛速度快。      

基于自适应惯性权重粒子群优化的多跳频信号盲源分离

针对跳频通信中多跳频信号的盲源分离问题,提出了一种基于自适应惯性权重粒子群的盲源分离算法。该算法将分离信号的负熵作为目标函数,依据迭代前后每个粒子适应度值间差值自适应地调节惯性权重。把适应度值变差的粒子惯性权重设成零,以消除惯性分量不利影响,这样可以减少无效迭代次数,提高收敛速度。应用于盲源分离时,比经典算法分离效果好且克服了激活函数选取难题。实验结果表明该算法用于多跳频信号盲分离时性能稳定且收敛速度快,与经典算法比较优势明显,为智能算法在盲源分离方面的研究提供了一定的参考。     

基于压缩感知的欠定图像盲源分离研究

系统阐述了利用稀疏成分分析(Sparse Component Analysis,SCA)算法进行欠定图像盲源分离。首先在估计出源图像个数的基础上,利用线性聚类估计混合矩阵;其次将压缩感知(Compressed Sensing,CS)应用到恢复源图像中。为了得到自适应的过完备稀疏字典来提高分离效果,提出了利用K均值奇异值分解(K-means Singular Value Decomposition,K-SVD)算法对过完备DCT字典循环迭代训练的思想,并对图像分块处理来减少计算复杂度;最后进行了仿真测试并对分离出的图像进行了分析和进一步处理。     

一种新的基于频域独立成分分析的语音信号盲分离方法

在频域利用传统的ICA进行分离时,如果分离矩阵没有经过良好的初始化,算法的收敛与分离性能都不够理想。本文提出了一种新的基于频域独立成分分析(ICA)的语音信号盲分离方法。首先通过分析混合信号的时频域特性对各个频带的分离矩阵进行初始化,使算法的收敛速度更快,并很好的解决了输出信号的次序不确定性问题;进一步根据以初始化的分离矩阵分离出的源信号间的幅度相关性,仅挑选出一部分频带进行ICA的迭代,最终达到在追求良好分离性能的同时极大提升运算效率的目的。仿真的无回声环境和几种实际的回声环境下所得到的实验结果表明,该方法在分离性能和算法效率上均优于传统的频域ICA方法。     

基于训练序列的峭度盲源分离算法

峭度盲源分离算法是一种自适应盲分离算法,可用于阵列天线和MIMO中的信号处理。本文提出利用通信中的训练序列来改善峭度盲分离的收敛速度,并以性能指数、相关系数作为比较标准进行了仿真,仿真结果证实了利用训练序列可以提高峭度盲分离算法的收敛速度。     

改进的非负矩阵分解语音增强算法

本文提出了一种改进的非负矩阵分解语音增强算法,该算法可分为训练和增强两部分。首先,为了降低训练复杂度,采用卷积非负矩阵分解只提取噪声字典。增强时,考虑语音信号稀疏性比噪声信号稀疏性强,通过稀疏非负矩阵分解重构出语音幅度谱,采用交替方向乘子法进行优化迭代,克服了经典乘性迭代易陷入局部最优、分母只能收敛到零极限等问题。最后,基于算法融合的思想,将重构的语音幅度谱与谱减法、最小均方误差幅度谱估计得到的幅度谱进行加权融合。仿真实验中,在10种不同噪声环境中,通过多种评价标准证明所提算法能取得较好的增强效果。      

Equivariant adaptive selective transmission

In this paper, we consider the problem of selective transmission-the dual of the blind source separation task-in which a set of independent source signals are adaptively premixed prior to a nondispersive physical mixing process so that each source can be independently monitored in the far field. Following similar procedures for information-theoretic blind source separation, we derive a stochastic gradient algorithm for iteratively estimating the premixing matrix in the selective transmission problem, and through a simple modification, we obtain a second algorithm whose performance is equivariant with respect to the channel's mixing characteristics. The local stability conditions for the algorithms about any selective transmission solution are shown to be the same as those for similar source separation algorithms. Practical implementation issues are discussed, including the estimation of the combined system matrix and the reordering and scaling of the received signals within the algorithm. Mean square error-based selective transmission algorithms are also derived for performance comparison purposes. Simulations indicate the useful behavior of the premixing algorithms for selective transmission     

基于延时估计的实时语音盲分离算法

目前盲分离算法相当复杂,对硬件的运算速度要求很高,无法满足实时性要求。根据盲信号分离的原理和特点,提出了一种基于延时估计的实时语音盲分离算法,大大提高了盲解分离的运算速度,主客观评价表明其具有很好的分离效果,证明了算法的有效性。     

一种语音与背景乐音信号盲分离优化算法

在盲分离算法中,许多智能优化算法被应用,以克服独立性准则函数的优化进入局部最优位置,但这些优化算法的性能依赖控制参数的选择。因此,提出利用一种单参数的纯随机搜索的单形进化优化算法(Surface-Simplex Swarm Evolution,SSSE),克服算法参数对优化算法性能的影响,提高盲分离算法的应用有效性,并将该改进盲分离算法应用于语音与背景乐音信号的盲分离。实验中,以四阶累积量作为独立分量分析(Independent Component Analysis,ICA)中的准则函数。实验结果表明,该改进算法有效分离出语音成分与背景乐音成分,而且在稳定性和分离效果方面具有较好的性能。     

改进的信息最大化语音盲分离算法

提出一种改进的基于信息最大化的语音盲分离算法,克服了以往算法收敛速度慢,串音误差大的缺点.新算法分析了多种非线性函数的转换特性,采用一种新的更合适的非线性函数,并依此推导出分离算法的学习规则.实验表明,改进的算法有效实现了混叠语音信号的盲源分离,收敛速度更快,串音误差更小,取得了良好、稳定的分离效果.     

基于萤火虫算法的变步长语音信号盲源分离

针对传统的自然梯度算法对语音信号进行盲源分离时,算法存在收敛速度和稳态误差的矛盾。文中提出一种新的变步长自然梯度算法,利用荧火虫算法对自然梯度算法的步长调整,使算法的步长随信号的分离度变化,并通过计算机仿真验证了该算法的有效性,算法的分离效果更好,收敛速度更快,且稳态误差更小。     

带源个数估计的BPSK信号盲分离算法

目前盲分离研究已有算法众多,但有关数字信号或有限字符集的盲分离研究尚不多见,而带源个数估计的此类盲分离算法更鲜有涉及。针对这类问题,该文提出了一种新颖的BPSK数字信号的盲分离算法,首先由接收到的观测信号的特征,在无噪和有噪情况下分别给出了估计源信号的数目算法;然后再利用观测信号之间的关系估计出混叠矩阵,并在算法中给出了证明。通过估计的混叠矩阵即可恢复得到分离信号,此时得到的分离信号与源信号或者顺序发生了交换,或者产生了符号之间的差别,但并不影响盲分离。最后的仿真结果显示了该文提出的算法在估计混叠矩阵以及最后恢复源信号上都是非常成功,也表明了此算法的可行性和优异性能。     

Discriminative dictionary learning algorithm based on sample diversity and locality of atoms for face recognition

Dictionary learning is one of the most important algorithms for face recognition. However, many dictionary learning algorithms for face recognition have the problems of small sample and weak discriminability. In this paper, a novel discriminative dictionary learning algorithm based on sample diversity and locality of atoms is proposed to solve the problems. The rational sample diversity is implemented by alternative samples and new error model to alleviate the small sample size problem. Moreover, locality can leads to sparsity and strong discriminability. In this paper, to enhance the dictionary discrimination and to reduce the influence of noise, the graph Laplacian matrix of atoms is used to keep the local information of the data. At the same, the relational theory is presented. A large number of experiments prove that the proposed algorithm can achieve more high performance than some state-of-the-art algorithms.     

语音信号盲分离方法研究

本文采用WVA分布与联合对角化的盲分离算法,估计出源语音信号,实现对混叠信号的盲分离。通过仿真实验,结果表明,本算法具有分离效果好,能有效的将混叠的盲语音信号分离。     

基于三二次优化的语音卷积盲分离方法

 针对语音信号卷积混迭模型,利用语音信号近似独立及短时平稳特性,提出一种基于三二次迭代优化的混迭矩阵多分量联合估计方法,交替估计三组待定参数的二次代价函数实现联合块对角化,在时域解决卷积混迭盲分离问题.理论分析了所提方法的计算复杂度和迭代收敛性.实验表明,相比于类Jacobi方法,所提方法收敛速度更快,且全局拒噪水平平均改善5dB,巴克谱失真系数改善达0.12.