基于时频稀疏性的混叠语音分离及失真对策(续完)

4.2聚类分析和分离方法 有了空间特征,接下来是如何聚类和分类问题.根据前面的讨论,每个声源对应的空间特征分布可以用一个GMM来描述,令N个声源s0(t),s1(t),…,sN-1(t)各自空间特征对应的GMM分别为λ0,λ1,…,λN-1,其中λk={Pi,μi,∑i},i=0,…,N-1.其中Pi为高斯分量的权重,μi为高斯分量的均值矢量,∑i为高斯分量的协方差矩阵.为了方便计算,通常采用对角协方差矩阵的GMM.每个声源对应的二元时频掩膜Mk(λ,k)就可根据最大后验概率方法进行估计     

基于分类特征空间高斯混合模型和神经网络融合的说话人识别

该文提出了一种基于分类高斯混合模型和神经网络融合(FS-GMM/NN)的说话人识别方法,通过对特征矢量进行聚类分析,将说话人的训练语音分成若干类。然后根据各个类中含特征矢量的多少采用不同的模型混合度,训练建立分类高斯混合模型。并采用神经网络实现各个分类高斯混合模型输出的融合。在100个男性话者的与文本无关的说话人识别实验中,基于分类高斯混合模型和神经网络融合的方法在识别性能及噪声鲁棒性上都优于不分类的GMM识别系统,并具有较高的模型训练效率,且可以有效地降低话者模型的混合度和测试语音长度。     

基于说话人识别的GMM/GA算法

在实时平台上,高斯混合模型(GMM)具有计算有效性和易于实现的优点。最大似然规则中,模型参数不断更新,但由于爬山特征,任意的原始模型参数估计通常将导致局部最优;遗传算法(GA)适于求解复杂组合优化问题及非线性函数优化。提出了基于说话人识别的可以解决GMM局部最优问题的GMM/GA新算法,实验结果表明,提出的GMM/GA新算法比纯粹的GMM算法能获得更优的效果。     

基于GMM模型的声纹识别模式匹配研究

模式匹配是声纹识别的关键问题之一,为了提高识别正确率和识别效率,本文采用GMM模型建模,训练阶段利用EM算法求取参数集,并通过MAP准则实现模式识别。引入LBG算法求取起始参数值,并设计了基于3种方法的联合判决门限决策。实验结果表明 GMM模型利用平均值向量和协方差矩阵使它具有更好的模型能力,当高斯混合数为32时识别率达到最高,联合判决门限决策有效降低了误识率与虚警率,并提高了识别效率。     

一种GMM对数似然得分变换方法

基于高斯混合模型（GMM）的说话人识别方法通常采用对数似然得分作为测试时判定目标说话人的依据。文章在分析对数似然得分特点的基础上,提出了一种改进方法,提高了测试语音帧对于目标模型和非目标模型得分的相对差值。基于TIMIT数据库的实验证明了采用变换后似然得分的说话人识别系统比采用对数似然得分的系统具有更好的识别性能和抗噪声性能。     

自适应并行模型组合的鲁棒语音身份识别算法

由于环境噪声的影响,实际应用中说话人识别系统性能会出现急剧下降。提出了一种基于高斯混合模型-通用背景模型和自适应并行模型组合的鲁棒性语音身份识别方法。自适应并行模型组合是一种噪声鲁棒性的特征补偿算法,能够有效减少训练环境与测试环境之间的不匹配现象,从而提高系统识别准确率和抗噪性能。首先,算法从测试语音中估计出噪声特征,然后用一个单高斯模型对噪声特征进行拟合得到噪声均值和协方差。最后,根据得出的噪声均值和协方差,调整训练好的高斯混合模型均值向量和协方差矩阵,使其尽可能地匹配测试环境。实验结果表明,该方法可以准确地重构干净语音的高斯混合模型参数,并且能够显著提高说话人识别的准确率,特别是在低信噪比情况下。      

嵌入时延网络的高斯混合背景模型说话人确认

本文提出了一种嵌入时延神经网络(TDNN)的高斯混合背景模型(GMM UBM)说话人确认方法,它集成了作为判别性方法的时延神经网络和作为生成性方法的高斯混合模型各自的优点。该方法利用时延神经网络挖掘特征向量集的时序性,然后把时间信息传递给GMM;并且通过时延网络的变换使需要假设变量独立的最大似然概率(ML)方法更为合理。该方法利用极大似然概率作为训练准则,把高斯混合模型和神经网络作为整体来进行训练。训练过程中,高斯混合模型和神经网络的参数交替更新。实验结果表明,采用本文提出的方法结合TNorm比基线系统的等误差率(EER)降低28%。      

视频监控系统中基于PCA算法的人脸识别

PCA算法提供了一个高维和低维间的线性变换矩阵,这个变换矩阵可以通过求取协方差矩阵的特征向量获得。特征值较大的特征向量反映人脸最大差异性;根据脸部固定结构特点构造人脸平均模板,利用模板匹配来检测图像中的人脸,计算待测图像与特征空间的距离进一步判别是否是数据库中人脸。实验表明,PCA算法在视频监控系统的人脸识别中可以很好地实现人脸特征提取和检测。     

复高斯混合模型分布式语音分离方法研究

本文研究空域协方差矩阵初始化对复高斯混合模型下的分布式语音分离性能的影响。在不同节点的接收信号向量条件独立性假设前提下,推导出一种逐节点迭代更新所有接收信号向量对应的空域协方差矩阵和后验概率等参数的方法;基于此,本文提出用基于到达角度的导向矢量的相关矩阵初始化每个节点对应的空域协方差矩阵;同时,为保证不同节点能协同工作,提出了一个基于到达角度自聚类的方法,以实现在不同节点上选出同一个说话人的到达角度组合。实验结果表明,本文提出的分布式语音分离算法及其初始化方法在保证分离性能的同时,大幅度降低了集中式算法所需的计算复杂度,而且避免了排序问题。      

结合多源特征与高斯过程模型的SAR图像目标识别

针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标识别问题,提出结合多源特征和高斯过程模型的方法。分别利用主成分分析(Principal Component Analysis,PCA)、非负矩阵分解(Non-negative Matrix Factorization,NMF)以及单演信号提取SAR图像的特征矢量,并将它们串接为单一矢量。三类特征从不同角度描述SAR图像目标特性,从而为目标识别提供更为有效的信息。决策分类过程采用高斯过程模型进行多元分类,基于融合特征矢量获得概率意义上的最佳决策。实验中,采用MSTAR数据集设置3类目标、10类目标、型号差异以及俯仰角差异识别问题,结果验证了提出方法的优越性能。     

一种用于PCA与MCA的神经网络学习算法

主元分析（ＰＣＡ）和次元分析（ＭＣＡ）是用于特征提取、数据压缩、频率估计、曲线拟合等信号处理的基本技术．以神经网络来实现ＰＣＡ和ＭＣＡ是当今研究的一大热点，相关矩阵Ｒ的特征值重数不为１时的主、次元分析则是其中一大难题．本文提出了一种新的学习算法，使得在输入数据的相关矩阵含多重特征值时，网络权重矢量亦收敛于相关矩阵的单位正交特征矢量     

非相干分布源DOA和角度扩展去耦估计方法

该文提出了一种新的非相干分布源的DOA和角度扩展估计算法。根据空间频率模型下的非相干分布源协方差矩阵的结构特点,可将协方差矩阵分离成两个分别由相位信息和幅度信息重建的矩阵。对矩阵的各主次对角线元素均进行平滑,可得到包含相位信息和幅度信息的平滑向量。利用最小均方拟合方法,可从相位信息中估计得到方位角;估计得到的方位角信息代入到幅度信息中即可获得角度扩展信息的估计,实现非相干分布源的DOA和角度扩展去耦估计。计算机仿真验证了算法的性能。     

互耦效应下用单快拍数据实现相干信源完全解相干和解耦合

阵元间存在互耦时,会对阵列流型产生扰动,同时当空间来波存在相干信源时,协方差矩阵会产生秩亏,这两类问题都会使子空间类估计算法性能急剧下降甚至失效。针对互耦效应下的解相干问题,该文提出了一种仅利用阵列单快拍即可实现完全解相干和解互耦算法互耦效应下的修正单次快拍算法(MC-ENDTOP)。该方法将原单快拍算法应用背景推广至任意形式来波信号,利用一次快拍构造等效接收数据协方差矩阵,通过数据分解,将互耦系数从阵列流型矩阵中剥离,从而实现了完全解互耦,并将其归入分解后的等效信号协方差矩阵中,由于等效信号协方差矩阵为对角阵,且对角元素与信号相关性无关,因此进一步实现了完全解相干。仿真验证了该文算法能够抑制互耦影响,估计性能和无互耦时相当,且适用于实时性要求高的场合。     

点云多法向量邻域特征配准算法

针对三维激光扫描点云数据的配准问题,提出了 一种多法向量邻域特征点云配准算法。首先,根据目标点选取不同邻 域半径估算的法向量存在方向偏差,设定约束条件选择关键点,使得初始点云数据量得到精 简;其次,设计了一种依据邻域多 法向量计算的特征描述子,并计算所有关键点的特征向量;然后,依据所求的特征描 述子,使用最小距离与次小距离比值阈 值方法初步获取对应关系,并使用随机采样一致性算法和聚类分选方法进行两次优化,得到 精确的点与点对应关系;最后,使 用奇异值分解法解算刚体变换矩阵,得到配准参数。实验结果表明,由本文设计的关键点选 取、特征描述子提取和对应关系筛选 方法原理简单、稳定可靠、计算速度较快且计算复杂度小,无需进行第二次配准,对实现点 云配准具有实用价值。     

低信噪比下相干信号的DOA估计的白噪声滤除方法

在波达方向估计中,“相干”和“信噪比”一直引人关注。相干会使多重信号分类等算法失效,究其原因就是信源协方差矩阵的秩亏缺。低信噪比使阵列协方差矩阵的主次特征值区分困难,造成信号和噪声的子空间划分错误。针对相干,人们往往都是从“解相干”的角度出发,通过各种手段使信源的协方差矩阵能够满秩,但并未对秩亏缺特性加以利用。基于此,本文给出了一种在低信噪比下对相干源的波达方向估计的噪声消除方法,在仅有加性白噪声的环境下,利用相干信号协方差矩阵不能满秩的特点,通过求解方程组,用求的值代替估计的协方差矩阵的相关对角元素（即对角加载处理）,置换被噪声污染的对角元素,进而可以滤除掉白噪声的影响。仿真结果证实了方法的有效性。      

基于仿生模式识别和PCA/ICA的DOA估计方法

本文提出了一种基于仿生模式识别和PCA/ICA的DOA估计方法.这种方法的建模过程是用在实际环境下采集的训练样本构造人工神经网络模型,对环境的适应能力较强;且这种方法采用PCA/ICA进行特征提取,使数据得到有效压缩,可以实现系统实时处理.实验结果表明:在信噪比为20dB和0dB时,该方法的正确估计率可达100%;在信噪比降为-20dB时,该方法仍有83%的可识别率.     

利用协方差矩阵信息的多天线频谱感知算法

为了降低多天线信号频谱偏移、相位随机性和噪声的不均匀性、不确定性对频谱感知性能的影响,该文利用接收信号协方差矩阵主对角线包含主用户的主要信息,以及协方差矩阵元素的平均方差反映元素波动程度的特点,构造对角线元素绝对值的平方和与其平均方差之比的频谱感知的检验统计量,推导了该统计量服从的概率分布函数,给定虚警概率,得到判决门限。加性高斯白噪声信道和瑞利衰落信道下的仿真结果表明:本文算法性能优于局部方差法,随着接收天线数和采样点数增加,本文算法性能提升大于局部方差法。      

基于随机映射的特征压缩在快速目标检测中的应用

目标检测通常利用复杂的、高维度的特征来提高其检测精度,而高维特征往往会产生较高的计算复杂度和存储开销。经典的特征压缩算法常常被用于目标检测系统以实现特征降维,但在其求解过程中会涉及到大量的矩阵分解运算,从而降低了算法的实时性。针对此问题,提出一种基于随机映射的特征压缩算法。该算法仅通过一个稀疏随机矩阵和简单的矩阵乘法运算就实现了特征从高维空间到低维空间的映射。利用经该算法压缩后的特征向量构建了Ada-Boost分类器,实验结果表明,该分类器在保证检测精度的前提下,提高了目标检测的实时性。     

A SPECTRAL ESTIMATION ALGORITHM USING THE HOUSEHOLDER TRANSFORM

Householder transform is used to triangularize the data matrix, which is basedon the near prediction error equation. It is proved that the sum of squared residuals for eachAR order can be obtained by the main diagonal elements of upper triangular matrix, so thecolumn by column procedure can be used to develop a recursive algorithm for AR modeling andspectral estimation. In most cases, the present algorithm yields the same results as the covariancemethod or modified covariance method does. But in some special cases where the numerical ill-conditioned problems are so serious that the covariance method and modified covariance methodfail to estimate AR spectrum, the presented algorithm still tends to keep good performance. Thetypical computational results are presented finally.