基于波束形成的长短时记忆网络语音分离算法研究

在利用深度学习方式进行语音分离的领域,常用卷积神经网络(RNN)循环神经网络进行语音分离,但是该网络模型在分离过程中存在梯度下降问题,分离结果不理想。针对该问题,该文利用长短时记忆网络(LSTM)进行信号分离探索,弥补了RNN网络的不足。多路人声信号分离较为复杂,现阶段所使用的分离方式多是基于频谱映射方式,没有有效利用语音信号空间信息。针对此问题,该文结合波束形成算法和LSTM网络提出了一种波束形成LSTM算法,在TIMIT语音库中随机选取3个说话人的声音文件,利用超指向波束形成算法得到3个不同方向上的波束,提取每一波束中频谱幅度特征,并构建神经网络预测掩蔽值,得到待分离语音信号频谱并重构时域信号,进而实现语音分离。该算法充分利用了语音信号空间特征和信号频域特征。通过实验验证了不同方向语音分离效果,在60°方向该算法与IBM-LSTM网络相比,客观语音质量评估(PESQ)提高了0.59,短时客观可懂(STOI)指标提高了0.06,信噪比(SNR)提高了1.13 dB,另外两个方向上,实验结果同样证明了该算法较IBM-LSTM算法和RNN算法具有更好的分离性能。     

多人声混叠语音信号的盲源分离算法研究

介绍了一种基于峭度的盲源分离算法,利用峭度极大来度量极大化非高斯性,通过渐进正交化的不动点迭代找到独立成分,并对带噪多人声混叠语音信号进行分离仿真,从而提取出感兴趣的目标语音,验证了该算法的可行性;通过与其他盲源分离算法的分离结果进行定性和定量的对比分析,验证该算法的有效性和应用前景.     

基于U-Net的自适应音源分离

基于时频域的音源分离模型通常只分离了幅度谱,而忽略了相位信息,使模型只能得到次优解。针对此问题,受U-Net网络结构启发,提出基于U-Net网络的可变形卷积网络（DU-Net）。将一维信号映射到多维空间,采用DU-Net网络自适应提取特征,改进后的网络用于分离人声与伴奏。实验结果表明,所提出的DU-Net网络在分离精度上比以往的分离算法要高。     

基于相邻频点幅度相关的语音信号盲源分离

排序和幅度不一致性是在频域进行信号盲源分离的主要困难。针对语音信号邻近频点间信号幅度相关性能良好这一特点，本文提出基于相邻频点间幅度相天的盲源分离算法，用以消除卷积信号盲源分离过程中排序不确定性。本算法理论简单，稳健性好。仿真结果表明该方法对卷积混合后的语音信号能得到较好的分离效果，并且耗时较短。     

一种频率域的盲源分离算法

提出了一种频率域基于第二特征函数的窄带信号盲分离算法，理论上证明了本方法能够从有噪观察数据中得到无噪混合矩阵估计。仿真结果表明本方法信号分离性能优于时域方法。在高信噪比时，本方法的分离信号绝对误差和比时域方法低9．5dB。     

盲信号分离算法研究

介绍了一种基于快速定点的盲分离算法，该算法可以对来自不同方向上的统计独立信号进行有效的分离，并且不需要预先知道信号的测向和阵列的结构流形，因此该算法称为盲分离算法。另外该算法不仅有传统的波束形成的优点，即在有用信号方向形成主波束，并且还能够在干扰方向形成很好的零点，所以该算法是波束形成技术和零点形成技术的结合，可大大提高信干比，另外该算法还有收敛快的特点，对于每一个信号大约迭代10次后就可以收敛。     

未知源信号峭度正负性的盲分离

大多数的盲分离算法假设源信号峭度的正负性是己知的，并据此选择相应的非线性函数近似评价函数(score function)。针对源信号峭度的正负性未知的情况，本文提出了一个评价函数的参数估计方法，本算法能有效地分离混合在一起的超高斯信号和亚高斯信号，仿真结果验证了算法的有效性。     

基于盲信号分离的高分辨测向算法研究

文章首先介绍了一种基于快速定点的盲分离算法，该算法可以对来自不同方向上的统计独立信号进行有效的分离，并且不需要预先知道信号的方向和阵列的结构流形，因此该算法被称为盲分离算法。该算法不仅有传统的波束形成的优点，即在有用信号方向形成主波束，并且还能够在干扰方向形成很好的零点，所以该算法是波束形成技术和零点形成技术的结合，可大大提高信干比。在盲分离的基础上，文章提出了一种高分辨。测向算法，该算法在高信噪比的情况下，具有与MUSIC、ESPRIT和最大似然算法相似的分辨率，而在低信噪比的情况下，体现了该算法的优越性，具有很好的分辨率。     

一种简化的语音信号盲分离算法

近年来所提出的许多瞬时混合信号盲分离算法大都是基于高阶统计量(HOS：High Order Statistics)，这使得算法不易收敛且计算量较大。在本文中，我们证明了当源信号是非平稳信号(语音信号、音乐信号等)时，使用二阶统计量(SOS：Second Order Statistics)就足以成功地对混合信号进行盲分离，从而，大大简化了计算的复杂度。据此，我们提出一种基于二阶统计量的盲分离算法，并在试验中用此算法成功地分离了语音和音乐的混合信号。     

基于智能单粒子与信号变化度的盲源分离算法

提出了一种新的基于智能单粒子优化的有序盲源分离算法。采用信号变化度作为分离的目标函数,利用球坐标变换方法对分离向量进行变换,使用智能单粒子优化算法对目标函数进行求解,通过去相关方法从混合信号中去除已分离出的源信号成分,最终实现按照信号变化度降序分离出各源信号。仿真结果表明,本算法能够有效实现对源信号的有序分离,且分离精度很高。     

基于时间可预测性的差分搜索盲信号分离算法

针对基于仿生智能优化的盲信号分离算法计算量偏大的问题,提出了一种新的基于差分搜索的盲信号分离算法。采用信号在时间上的可预测性度量作为目标函数,使用差分搜索算法对目标函数进行优化求解。利用去相关消源方法从混合信号中去除每次分离出的源信号成分,通过逐次分离最终实现对所有源信号的成功恢复。仿真实验表明,所提算法可以有效实现对混合信号的盲分离。与其他算法相比,该算法在保证了更高分离精度的同时,具有更低的运算量。     

基于互补对称滤波器的APCMA信号的盲分离算法

针对小站信号带宽大于主站信号的新非对称成对载波多址（Asymmetric Paired Carrier Multiple Access,APCMA）信号背景,在一种低复杂度的盲抵消结构基础上,提出基于互补对称滤波器的盲分离算法.该算法采用互补对称滤波器从时频域上将混合信号分解为同时含主站信号与小站信号,以及只含小站信号的两路分量信号,在保证采样率不变的情况下对含主站信号的信号分量做进一步的信号分离,通过两路分量信号的同步处理确保了分离之后的两路信号分量中小站信号的可加性和完整性.仿真结果表明,与原低复杂度算法相比,本文算法有效地提升了混合信号的分离性能.此外,本文提出的具有信息不变性的互补对称滤波器有较广泛的应用前景,可用于宽带多信号抵消、信道估计以及隐蔽传输下的扩频检测等问题中.     

源信号数目大于观察信号数目情况下的盲源分离

独立分量分析(ICA)作为一种有效的盲源分离技术(BSS）是信号处理领域的热点。传统的独立分量分析都要求观察信号数目大于或者等于源信号数目，然而对于脑电图(EEG)等的一些信号处理中存在的源信号数目大于观察信号数目的情况，传统的独立分量分析算法不能有效分离。该文针对源信号数目大于观察信号数目的情况，在传统的独立分量分析技术的基础上，给出了一个新的学习算法，并将新算法与传统的独立分量算法进行了比较。实验仿真结果证明该算法在给定2个混合信号的情况下能够较好地分离3个未知语音信号源，成功实现了源信号数目大于观察信号数目情况下的盲源分离。     

基于DSP的音频信号采集和盲分离系统设计

针对语音信号的盲提取问题,以提出的二阶特征窗盲分离算法和模式识别算法为基础,设计实现了以TMS320VC5509DSP为核心的音频信号采集和盲分离系统。详细介绍了系统结构及软硬件实现,并对3路音频信号的DMA同步采集进行了重点分析。该系统结构简单、扩展方便、实时性好,实验结果表明对瞬时混合信号有良好的分离效果。     

一种基于逼近线性空间的盲信号分离方法

文章结合目标函数,给出了一种非线性混叠信号盲分离算法,含噪混合信号之间的关系构造了动态的目标函数状态一空间。该函数的特点是多变量,过程和观测噪声不限于高斯分布,是解决该问题的有效方法,从而把非线性混叠信号盲分离问题转化为参数空间的线性混叠信号盲分离问题。在目标函数空间中,也可应用多次分离对信号进行分离。该算法收敛精度较高,稳定性好。     

电机运行状态监控信号工频干扰消除方法

为了解决电机运行状态监控过程中,采集到的机械旋转振动信号中存在工频干扰的问题,提出了一种新工频干扰消除算法。算法将工频干扰消除问题转化为盲信号分离问题,选用信号变化度作为信号分离的目标函数,利用布谷鸟优化算法对目标函数进行优化求解,通过对机械旋转振动信号和工频干扰信号的分离,从而实现对采集信号中工频干扰的消除。仿真实验表明,所提出算法对机械旋转振动信号中存在的工频干扰成分具有很好的抑制效果。     

一种卫星隐蔽通信信号盲分离算法

重构抵消算法是卫星隐蔽通信信号分离的关键技术,算法的性能主要依赖于参数估计的精度。然而在实际环境中,参数估计误差带来的算法性能损失无法被避免。此外,对信号的重构使得该算法计算复杂度较高。针对这个问题,首先分析了参数估计误差对分离性能的影响,然后提出基于盲均衡算法的协作分离算法,提升信号分离性能的同时降低了算法的计算量。仿真实验表明,新算法相较于重构抵消算法,降低了对参数估计精度的依赖,当参数估计误差大于0.05时,信号的解调误码率降低了一个数量级左右。     

Fast ICA 盲分离算法在雷达抗主瓣干扰中的应用研究

压制干扰信号从主瓣进入雷达天线,会严重影响雷达的性能,通常的副瓣抗干扰技术难以奏效。文中首先给出了Fast ICA 应用于雷达抗主瓣干扰的信号模型;在高信噪比的均匀噪声环境中,利用基于寻找峭度的局部极值点的Fast ICA盲分离算法分离接收到的主瓣干扰混合信号,通过脉压找出目标信号。仿真验证了算法用于抗主瓣干扰的有效性,该算法具有良好的抗干扰性能,在分离效率上具有较明显的优势。