基于多参考信号ICA的目标语音提取方法

为了能够在强噪声、干扰声等复杂环境下提取干净的目标语音,提高输出信号的信噪比和信干比,本文提出了一种基于多参考信号ICA算法的语音提取方案。该方法利用声源定位、波束形成和小波分解等算法结果作为参考信号,应用基于负熵的FastICA算法估计目标语音。使用麦克风阵实测语音信号的仿真实验证明,本文提出的算法能有效地抑制背景噪声和干扰声,恢复目标语音波形和语谱图。与常规波束形成和ICA算法相比较,本文的处理方法有更好的性能,输出信号的信噪比和信干比更高。     

结合ICA预处理的麦克风阵列语音增强系统

在强背景噪声和强反射环境中,麦克风阵元接收的信号质量很差,从而影响麦克风阵列语音增强系统的性能.ICA能够仅从现测信号中提取出潜在的独立成分,基于此特性,本文将ICA引入麦克风阵列语音增强系统,利用ICA对麦克风阵元接收信号进行分析,从中提取出较纯净的目标语音作为系统的输入信号.ICA预处理可以有效抑制背景噪声和回声,提高输入信号的质量.真实环境中的实验表明,ICA预处理能够显著改善麦克风阵列语音增强系统的性能.     

基于Givens变换矩阵的时间结构信号盲源分离新算法

对于时间结构信号的盲源分离(Blind Source Separation,BSS),独立成分分析(Independent Component Analysis,ICA)是十分有效的方法。在对观测信号白化处理后,ICA的关键是寻找去除高阶相关性的正交分离矩阵。鉴于任意维数正交矩阵可以表示为Givens变换矩阵的乘积,提出了一种新的时间结构信号盲源分离算法。首先,利用Givens变换矩阵参数化表示正交分离矩阵,减少了要估计参数的个数;其次,以多步时延协方差矩阵的联合近似对角化为目标函数,将盲源分离问题转化为无约束优化问题,并利用拟牛顿法中的BFGS算法对Givens变换矩阵中的参数进行估计,得到分离矩阵;最后,以实际的混合语音信号分离做仿真实验,验证了该算法对时间结构信号的盲源分离是有效的。     

PCA与ICA相结合的语音信号盲分离

针对ICA用于语音信号盲分离时,由于数据量过大、迭代次数过多引起的收敛速度慢的问题,采用一种PCA和ICA相结合的盲分离算法PCA-ICA。通过PCA对混合语音信号进行白化处理,消除了原始各道数据间的二阶相关性。在仿真实验中,采用相似系数矩阵作为评价混合语音信号分离效果的标准,结果表明PCA-ICA算法与ICA算法相比,在达到几乎相同的相似系数矩阵的情况下,迭代次数减少了90%,从而分离速度提高了3倍,有效地解决了ICA分离算法收敛速度慢的问题。     

基于互累积量的有噪独立分量分析方法

针对传统独立分量分析(ICA)方法无噪假设的局限性,提出基于互累积量的有噪ICA方法。考虑含高斯噪声的瞬时混合模型,以观测信号的互累积量组成一系列对称矩阵,以对称矩阵的联合对角化程度为目标函数,采用粒子群优化算法对混合矩阵进行全局寻优。通过寻优得到混合矩阵,将有噪ICA转化为一维欠定ICA,基于奇异值分解法得到源信号的估计。仿真结果表明,与传统ICA方法相比,该方法对混合矩阵的估计精度较高,可以明显提高分离信号的信噪比。     

基于最短路径和自然梯度的过完备ICA算法

独立成分分析(ICA)是一种在给出的随机向量中找出统计独立的数据的统计方法，而过完备独立成分分析则是ICA问题中的一类特殊的情形，它要的源信号的数目比观测信号的数目要多。该文提出了一种基于最短路径算法和自然梯度的解决过完备独立成分分析的新算法Turbo-overcomplete。该算法采用了最短路径方法来推断源信号和采用自然梯度的方法来学习基向量，并采用Turbo-overcomplete算法来进行语音信号分离的实验，并把实验结果与现在的一些过完备独立成份分析算法进行了比较。     

一种基于盲源提取的子空间语音增强算法

本文提出了一种单麦克风下的间接语音增强算法.该算法基于两个重要模块：第一个模块,采用基于均方协差预测的盲源提取算法将附加噪声从嘈杂的语音信号中提取出来.第二个模块,利用了一种基于语音和附加噪声协方差矩阵的广义子空间方法,提取纯净的语音信号.对该算法进行了白噪声环境和嘈杂火车等真实环境噪声下的仿真实验.实验结果表明,提出的算法有良好的语音增强效果,性能上与其他算法比较有明显的优势.将算法应用于噪声环境下的语音识别处理中,很大程度地降低了噪声对语音识别的影响,取得了良好的识别率.     

一种广义旁瓣抵消器结构的语音增强改进算法

当广义旁瓣抵消器（Generalized sidelobe canceller,GSC）结构的语音增强算法对语音信号的入射方向角估计不准确时,阻塞矩阵（Blocking matrix,BM）不能完全阻塞目标语音,使得部分语音通过阻塞矩阵,在后期多输入抵消器（Multiple-input canceller,MC）模块中和参考信号相抵消,造成目标语音的损失。针对广义旁瓣抵消器因信号到达方向（Direction of arrival,DOA）估计误差而导致语音泄漏的问题,本文提出了一种麦克风阵列语音增强的优化算法,先对经过时延补偿的信号进行频谱调整,再利用MC模块输出与BM模块输出存在相关性的特点,对阻塞矩阵进行自适应调整,使方向估计参数更趋近于真实目标语音方向,以减少阻塞矩阵中目标语音的泄漏。仿真结果表明,该算法 可以有效减少阻塞矩阵中目标语音的泄漏、增强系统的鲁棒性以及提高语音增强效果。     

基于EEMD和ICA的单通道列车信号盲分离

针对列车混合故障的诊断,提出了一种基于集合平均经验分解（EEMD）和独立分量分析（ICA）的盲分离诊断方法。通过EEMD算法将混合信号分解为包含不同源信号特征的本征模态函数（IMF）,组成新的多维信号;用主成分分析准确估计源信号个数,解决了单通道信号盲分离的欠定问题;利用快速独立分量分析（Fast-ICA）算法实现了信号的盲分离。实验信号分别采用仿真信号和列车实验信号进行实验,实验结果表明,该算法可以有效地分离出列车的单故障信号。     

基于麦克风阵和ICA的语音增强技术

介绍了极大似然估计独立分量分析的基本理论。在此基础上提出了一种将麦克风阵和独立分量分析模型的源分布自适应极大似然估计算法相结合的技术，并成功地用于实际环境中的麦克风阵带噪语音信号，实现了语音和噪声的分离，增强了语音。试验和仿真结果证明，这种算法是有效的。     

基于FastICA的语音分离与图像分离

独立分量分析0CA）基于信号的高阶统计量,能从混合信号中分离出既具有统计独立性又具有非高斯性的源信号,在诸多ICA算法中,固定点算法（也称FastICA）以其收敛速度快、分离效果好被广泛应用于信号处理领域。在介绍ICA的基本模型与FastICA算法的原理后,分别对混合的语音信号与图像信号进行了分离实验,仿真结果表明FastICA应用于语音分离与图像分离,效果都很好。     

独立分量分析及其应用

独立分量分析是信号处理领域的一个研究热点,它能从混合信号中分离出既具有统计独立性又具有非高斯性的源信号。介绍了独立分量分析的数学模型及其假设条件、求解方法,在此基础上分析了其在语音信号处理、特征提取、生物医学信号处理等领域的应用,最后指出了其发展趋势与进一步的研究方向。     

基于CSR-ICA模型的隐写信息盲提取算法

针对加性隐写模型,提出一种基于CSR-ICA的隐写信息盲提取算法。算法仅需一幅隐写图像,在满足ICA模型线性约束条件下得到载体信号的估计信号,通过Contourlet稀疏性表示（CSR）对模型输入信号进行前置处理,优化选取归一化峭度性较大的信号作为模型输入信号,将归一化峭度作为分离算法学习的目标函数,避免异常值给分离算法带来的误差。算法具有较好的综合性能,并且克服了Chandramouli算法的局限性,提取正确率平均为90％。仿真实验结果给出了算法的有效性验证。     

一种改进的FastICA算法及其应用

独立分量分析是基于信号高阶统计量的信号分析方法,它可以找到隐含在数据中的独立分量,已经广泛应用到语音信号处理、图像处理及信息通信等方面。目前应用较多的快速独立分量分析（FastICA）利用了牛顿迭代法原理,具有较快的收敛速度,但对初始值的选择比较敏感。为克服其缺点,改进其优化学习算法,在牛顿迭代方向增加一维搜索,使改进后的算法的收敛性不依赖于初始值的选择。将改进的FastICA算法应用到运动目标检测中,取得稳定性较强的结果。     

基于Overcomplete ICA的人脸特征提取

人脸特征提取是人脸识别中最重要的一个环节,人脸特征提取的一种主要方法是寻找一系列的基图像,然后再把人脸表示为这一系列基图像的线性叠加。PCA和ICA在寻找基图像的过程中,源图像和基图像的数目都是相同的。本文提出了一种基于Overcomplete ICA的人脸特征提取方法,所得到的基图像数目要多于源图像数目。最后采用最小距离分离器进行人脸识别的实验,并与PCA和ICA的识别效果进行比较。     

基于ICA与GA的语音特征提取方法

为了提高噪声环境中的语音识别率,将独立成分分析（ICA）方法用于语音信号特征提取．并使用遗传算法（GA）将提取出来的高维特征进行选择,最后得到的语音特征被用于基于高斯混合模型的语音识别应用中,并与传统的Mel倒谱系数（MFcC）特征进行比较。实验结果表明基于ICA与GA的语言特征优于传统的MFCC特征。     

基于改进的独立分量分析的人脸识别方法

将独立分量分析（Independent Component Analysis，ICA）作为人脸特征提取方法。ICA所提取的特征分类能力强、相互独立，对像素间高阶统计特性敏感，并且不易受光照变化的影响。实验结果表明，基于IcA的人脸特征提取方法的识别性能优于特征脸法。针对传统的ICA算法（Informax算法）存在迭代次数多，难收敛，并且需要人工设定步长来调整学习速度的不足，本文采用FastICA作为ICA的快速算法，并将其关键迭代步骤加以改进，减少了耗时的雅可比矩阵求逆的运算次数。所提出的改进的FastICA具有无需人工参与，收敛速度快，迭代次数少的优点。在特征选择方面，本文将遗传算法（Genetie Algorithm，GA）应用到独立分量的选择与优化中，从而在保证较高识别性能的前提下，获得最优的人脸特征子集。     

基于ICA算法的事件相关电位的消噪与提取

文章介绍了独立分量分析(IndependentComponentAnalysis,ICA)的基本理论及扩展信息最大(ExtendedInfo-max)ICA算法,并将该算法应用于多道单次事件相关电位(Single-trialEventRelatedPotential,SERP)的消噪中。实验结果表明,采用该算法成功地消除了SERP中的眼电(Electrooculographic,EOG)、肌电、α波、μ波等噪声,随后结合平均技术,实现了微弱的多道事件相关电位(EventRelatedPotential,ERP)在强噪声中的有效提取.     

小波消噪和ICA在语音信号分离中的应用

为了消除语音信号分离中仍存在的部分混叠声音,提出一种基于小波消噪和独立分量分析（ICA）结合的信号分离方法。该方法将小波变换和独立分量分析结合,利用小波变换的去噪作用,滤除原始语音信号中的噪声后作为ICA的输入信号,采用FastICA算法在小波域进行独立分量分析,对输入信号实施分离。实验结果表明,该方法大大调高了传统独立分量分析对语音信号的分离效果。