基于盲源分离的单通道语音信号增强

在运用基于独立分量分析(ICA)的盲源分离法进行语音增强时,要求观测信号(含噪语音)的个数不少于源信号(纯净语音和噪声)的个数.由于含噪语音通常是单通道的,所以必须合理地生成另一路的虚拟观测信号,以实现纯净语音和噪声的分离是个关键.介绍了一种基于盲源分离和谱减法的单通道语音信号增强的方法.首先运用谱减法对语音进行部分去噪,产生了ICA其中的一路观测信号,并产生了对噪声的估计值.用语音和噪声估计值的帧平均能量构成了加权函数,将噪声的估计值与原始含噪语音进行加权组合,生成另一路的虚拟观测信号.由于虚拟观测信号很好地再现了实际的观测信号,所以运用ICA可以较好地实现了噪声和语音的分离.同时,盲源分离和谱减法相互结合,使语音增强的性能提高.实验证明了算法可以在信噪比很小的情况下实现对噪声的去除,其效果要优于传统的去噪算法.     

基于盲源分离的超声信号去噪的仿真研究

提出一种新的基于盲源分离的超声信号去噪方法.为了验证去噪方法的有效性,应用此方法处理了仿真的超声信号,并与小波去噪的效果进行了比较.实验结果表明:该去噪方法能极大提高超声信号的信噪比,且其效果能与小波去噪方法相媲美,其特点是通过超声信号和噪声信号的盲源分离实现噪声消除.     

基于Hough变换的时频盲源分离算法

1998年,Belouchrani,A和Amin,M.G基于时频分布提出了一种经典的时频盲源算法,不足是当有噪声存在时,性能会下降。主要考虑源噪声的盲源分离问题,以Wigner分布计算观测信号的时频阵并将其看做图像,利用Hough变换将信号检测转换为在参数空间寻找局部极大值的问题,运用自项点理论选择合适的矩阵进行联合近似对角化估计源信号。该方法扩展了盲源分离的限制条件,且通过把噪声能量扩展到整个参数平面而只选择信号能量占主导的时频点,对噪声具有一定的抑制能力。     

语音增强的计算机仿真

研究关于盲源分离的特征向量分离算法在语音增强的应用,传统的方法对混合的语音信号很难进行有效的分离,而在实际中很多场合都需要对语音信号进行增强.为消除噪音,提高清晰度,使用的盲源分离算法却正能实现传统方法难以实现的技术.运用一种盲源分离的特征向量分离算法来进行语音增强,并且对实际的两个语音信号运用该算法进行了混合语音信号的分离增强实验,利用MATLLAB软件对混合语音信号进行了盲源分离的特征向量分离算法的仿真,可从混合语音信号分离出了两个原始语音信号.证明了盲源分离算法应用于语音分离的可行性,为盲源分离应用于语音增强提供了参考依据.     

几种盲源分离算法的比较

文章研究了基于高阶统计量的FastlCA算法、基于信息理论的Infomax算法和基于四阶统计量的JADE算法等几种典型盲源分离算法在噪声环境下的分离性能.比较结果显示各种算法分离噪声信号的性能是不同的.对于某些混有一定噪声的特定信号,某些算法的分离性能要优于其他信号.研究结果还表明,基于信噪比和信号的特性来选择盲源分离算法能够给出令人满意的分离效果.     

基于偏度的低空目标声信号盲抽取算法

针对盲源分离信号顺序的不确定性以及基于峭度的盲抽取算法运算量大的问题,本文提出一种基于偏度的低空目标声信号盲抽取算法.该算法利用偏度的非对称性,将其作为信号非高斯性的度量,抽取出的信号可以按偏度绝对值的降序排列.与基于峭度的盲抽取算法相比,该算法大大减小了运算量,同时具有较好的分离效果,且对于噪声具有鲁棒性.声音信号及...     

基于AR模型的盲源分离方法

不同时间结构的平稳随机信号具有不同的模型结构,平稳随机信号可以由白噪声激励一自回归(AR)模型得到,在某种意义上AR模型与线性预测模型等价.因此,在盲源分离中线性预测模型可以作为度量信号分离的测度.为此从信号预测模型的角度出发分析推导了一种新的盲源分离算法,并进行了计算机仿真验证,实验结果表明该算法简单有效,便于工程实...     

基于神经网络的含噪动态源分离算法

针对含噪声且源信号数目动态变化条件下的混合信号分离问题进行了研究,提出了一种新型在线盲源分离算法,该算法包括两部分:一是基于最小描述长度(MDL)的动态源数目估计算法,该算法能实时精确地估计出瞬时源数目;另一个是基于偏差去除的变步长神经网络算法,该算法采用前馈神经网络结构,在学习准则中加入了相应于噪声的偏差去除项,并在此基础上给出了变步长策略。仿真实验表明,新型算法在含噪静态源和动态源中都具有优异的分离性能,并且优于现存的针对动态源的盲源分离算法。     

基于模糊C均值聚类的二进制信号盲分离

研究了将接收到的天线阵列信号分类的模糊C均值聚类算法,并提出一种新的二进制信号的盲分离算法.该算法不同于传统算法需要先确定一个分离矩阵进而估计出源信号,而是采用模糊C均值聚类的方法,无需先验条件可以给出较可靠的信号分离,并且该聚类算法是一种自学习过程,运算量较传统算法大大减少.计算机仿真结果说明了在噪声存在时,该方法的有效性.     

基于curvelet变换和独立分量分析的含噪盲源分离

独立分量分析（ICA）是基于信号高阶统计量的盲源分离方法,在高阶统计量方法中,由于高斯信号的高阶累计量为零,所以系统存在加性高斯噪声时就难以处理。提出了一种基于curvelet阈值去噪和FastICA算法的含噪信号盲分离的方法,并对高斯噪声环境下的混合图像进行了盲分离的仿真。结果表明,该方法能很好地解决由于存在加性高斯噪声而导致经典ICA算法性能发生严重恶化的问题;同时将curvelet变换去噪应用于含噪图像的盲源分离中,可以提高混合图像的信噪比,相对于小波去噪后的ICA算法,其分离性能有很大改善。