一种强混响环境下的盲语音分离算法

强混响环境下语音信号的频域盲分离问题是盲源分离领域的一个难点,主要是因为混合系统的脉冲响应时间过长,甚至超过信号的非平稳时间,导致算法性能下降。本文针对这个问题提出了一种解决方法,在用一个短时傅立叶变换将时域卷积混合信号转化为频域的过程,再在时频域上使用另一个短时傅立叶变换,将信号变换到调制谱域,这样较长的脉冲响应就被转化为调制谱域上的瞬时混合形式,而瞬时混合情形则采用独立向量分析(IVA)算法来避免排序模糊性问题。计算机仿真实验证实了该算法在强混响环境下优于传统频域盲分离算法。      

基于影响因子的频域盲源分离排序算法

卷积混合信号盲源分离可以在频域得到有效解决,但频域盲源分离必须解决排序问题.本文研究了频点距离和各频点分离质量对基于相邻频点幅度相关性的排序算法的影响,提出了改进的频域盲源分离排序算法.改进算法通过影响因子来控制频点距离和各频点分离质量对排序的影响,距离小且分离质量好的频点设置较大影响因子,距离大或分离质量不好的频点则设置较小影响因子.文中详细讨论了影响因子的设定函数.最后对瞬时混合信号、卷积混合信号、实际房间采集信号分别进行盲源分离实验.实验结果表明了本文算法的有效性.     

基于区域增长校正的频域盲源分离排序算法

卷积盲源分离可以在频域得到有效解决,但频域盲源分离必须解决排序模糊问题。该文提出一种基于区域增长校正的频域盲源分离排序算法。首先对卷积混合信号短时傅里叶变换,在频域的各个频点处建立瞬时模型进行独立分量分析,在此基础上使用分离信号功率比的相关性,对所有频点进行逐点排序置换。其次根据阈值将排序后的结果划分为若干个小区域。最后按区域增长方式进行区域置换与合并,最终得到正确的分离信号。区域增长校正可最大限度地减少频点排序错误扩散现象,从而改善分离效果。在模拟和真实环境中分别进行语音盲源分离实验,结果表明所提算法的有效性。     

一种非平稳卷积混合信号的时域盲源分离算法

该文将卷积混合盲源分离模型中的向量进行重新规划并对联合近似对角化方法加以推广,提出一种非平稳卷积混合信号的时域盲源分离算法。该算法先将采集到的卷积混合信号进行重排,使之满足重新定义向量后的瞬时混合模型特征,然后考虑到信号的非平稳特性,采用空间白化和联合近似块对角化方法分离出源信号。由于没有使用域变换而是从新的角度将卷积混合问题简化为瞬时混合问题,避免了卷积运算或域映射过程,降低了算法的复杂度。仿真实验验证了该算法的有效性并就参数的变化对信号干扰比的影响进行了分析。     

一种非平稳卷积混合信号的时域盲源分离算法

该文将卷积混合盲源分离模型中的向量进行重新规划并对联合近似对角化方法加以推广,提出一种非平稳卷积混合信号的时域盲源分离算法。该算法先将采集到的卷积混合信号进行重排,使之满足重新定义向量后的瞬时混合模型特征,然后考虑到信号的非平稳特性,采用空间白化和联合近似块对角化方法分离出源信号。由于没有使用域变换而是从新的角度将卷积混合问题简化为瞬时混合问题,避免了卷积运算或域映射过程,降低了算法的复杂度。仿真实验验证了该算法的有效性并就参数的变化对信号干扰比的影响进行了分析。     

基于非连续多帧平滑的卷积混合盲分离频域算法

本文研究了卷积混合盲分离频域算法问题,基于短时傅立叶变换中各帧"部分卷积"的性质,提出了一种非连续多帧平滑的方法.该方法有助于降低源信号"短时谱"的瞬时混合和卷积混合信号的短时谱之间误差,从而提升分离性能.仿真实验证实了提出算法的有效性.     

基于复Givens矩阵与蝙蝠优化的卷积盲分离算法

针对传统卷积混合盲分离待求参数多、分离效果易受分离矩阵初值影响的局限性,提出了基于复Givens矩阵与蝙蝠优化的频域求解算法。算法采用复Givens矩阵表示分离矩阵,减少了待求参数,降低了求解难度和计算量。利用蝙蝠算法代替梯度算法优化求解旋转角度完成各频点线性瞬时混合复信号的盲分离,全局收敛性更强。此外,由于对源信号的先验知识要求较少,可以分离服从多种分布的信号。仿真实验表明,该算法可有效地实现卷积混合盲分离。     

宽带恒定束宽盲波束形成算法

针对传统盲源分离算法对宽带阵列信号适用性较差的问题,提出一种基于时频分析的宽带恒定束宽盲波束形成算法。该算法首先将接收信号变换到时频域上并提取出单源点。然后,对单源点聚类并求解信号在不同频点上的导向矢量。最后,通过提出一种信号来向未知的空间响应变化约束方法,实现宽带恒定束宽盲波束形成。该算法避免了将宽带盲波束形成转换为卷积混合的盲源分离,因而不存在时域盲源分离算法中系统参数随滤波器阶数急剧增加的问题,也不存在频域算法中排序和幅度模糊的问题。仿真结果表明,算法能够较好地实现宽带信号的盲分离,且输出信干噪比高于时域、频域以及时频域盲源分离算法,实测数据的处理结果验证了该算法的实用性。      

基于联合对角化的声信号深度卷积混合盲分离方法

声信号在空间中的传播具有较强的多径效应,在接收端往往以卷积形式相互叠加,尤其在海洋、剧场等强混响条件下,混合滤波器冲激响应的长度会显著增加,现有的频域卷积盲分离算法将失效。为了消除长脉冲响应导致解混合模型失效的问题,该文对观测信号进行两次短时傅里叶变换(STFT),第1次STFT缩短了脉冲响应长度,第2次STFT将信号模型转化为瞬时盲分离,最终利用联合对角化(JD)技术估计出分离矩阵。与现有方法相比,所提方法解决了深度卷积混合下模型失效的问题,并且当源信号数较多或存在加性噪声时,可以得到更好的分离性能。仿真结果验证了方法的有效性和性能优势。     

盲源分离技术现状及发展趋势

盲源分离是最近十几年发展起来的新研究领域,是在知其少量或完全未知先验信息情况下提取源信号的信号处理方法,特别适用于通信侦察领域。盲源分离模型大致分为线性瞬时模型、线性卷积模型、非线性模型及欠定模型。简述了每种模型盲源分离算法的基本思想及常用方法。重点介绍了目前相对成熟的基于线性瞬时模型的三种盲源分离方法：批处理、自适应和逐次提取。目前线性瞬时盲源分离研究较成熟,未来的研究热点是卷积模型、欠定模型等算法研究及如何提高算法性能等方面。     

混合语音信号的盲分离

重点研究了卷积混合语音信号的盲分离方法。语音信号是非平稳信号,但是它在短时间上具有平稳性。因此,本文对语音信号进行加窗傅立叶变换（FFT）将卷积混合问题转换为频域上每个频点的瞬时性BSS（blind source separation）问题,采用定点（fixed—point）ICA（independent component analysis）算法对混合语音信号进行了分离,并用matlab进行了仿真。     

An MSE-Based Method to Avoid Permutation/Gain Indeterminacy in Frequency-Domain Blind Source Separation

This paper presents a novel technique for separating convolutive mixtures of statistically independent non-Gaussian signals without resorting to an a priori knowledge of the sources or the mixing system. This problem is solved in the frequency domain by transforming the convolutive mixture into several instantaneous mixtures which are independently separated using blind source separation (BSS) algorithms. First, the instantaneous mixture at one frequency is solved using the joint approximate diagonalization of eigenmatrices (JADE) technique, and the other mixtures are then separated using the mean squared error (MSE) criterion. As a special case of this method, we consider the separation of non-Gaussian temporally white signals transmitted in blocks with zero padding between them.     

A Novel and Fast Algorithm for Solving Permutation in Convolutive BSS,Based on Real and Imaginary Decomposition

In this paper, a new fast method for solving the permutation problem in convolutive BSS is presented. Typically, by transferring signals to the frequency domain, the convolutive BSS problem is converted to an instantaneous BSS, and deconvolution takes place in each frequency bin. However, another major problem arises which is permutation ambiguity in the frequency domain. Solving the permutation ambiguity for N sources in frequency domain needs N! comparisons between adjacent frequency bins. This drastically increases the overall computational complexity of the convolutive BSS. In our new approach, the complex-valued signals are decomposed into real and imaginary parts in each frequency bin. We show that the ideal mixing matrix has to possess a simple and symmetric structure. Accordingly, the structure can be exploited for solving the permutation ambiguity in frequency domain. Although separation in subband is accomplished by the FastICA algorithm, the proposed method requires modification of the separation algorithm, and a new structure is imposed on the mixing matrix. After that signals are separated by means of the FastICA, the permutation correction takes place only by N comparisons, decreasing the computational complexity. Comparing to five competitive methods, we experimentally demonstrate that permutation ambiguity is resolved accurately by this very fast approach while substantially decreasing the order of calculations. In terms of the separation performance and signal quality, the proposed method is superior to four of the compared methods and almost similar to the best of them.     

基于雷达系统抗干扰的卷积盲分离算法研究

如何提高雷达系统的抗干扰能力一直是雷达信号处理中比较关注的问题。卷积混合盲分离技术是当前盲分离研究的热点和难点。文中用卷积混合盲分离算法来分离雷达系统接收的信号,把卷积混合的干扰信号和有用信号分离开来,以实现雷达系统抗干扰的目的。该方法使用基于Householder变换的高阶累积量的联合对角化的频域方法来分离卷积混合的雷达接收信号。计算机仿真表明,该抗干扰方法可把卷积混合的雷达信号和干扰信号分离出来,且达到较好的分离效果。     

基于盲源分离的近场源参数估计

研究了基于盲源分离的近场源波达角和距离估计问题。首先利用盲源分离方法估计出阵列流形矩阵,然后利用优化算法对波达角和距离参数进行估计。该方法无需频域搜索和参数配对,且未利用Fresnel逼近进行参数估计,适应源信号不在Fresnel区域内的情形。计算机仿真验证了所给算法的有效性。      

Blind-Source Separation Based on Decorrelation and Nonstationarity

In this paper, discrete-time blind-source separation (BSS) of instantaneous mixtures is studied. Decorrelation-based sufficient criteria for BSS of stationary and nonstationary sources are derived based on nonstationarity and nonwhiteness. A gradient algorithm is proposed based on these criteria. A batch-data algorithm and an on-line algorithm are developed based on the corollaries of the BSS criteria. These algorithms are especially useful for the separation of nonstationary sources. They are robust to additive white noises if the time-delayed decorrelation and the nonstationarity of the sources are considered simultaneously in the algorithms. Experiment results show the effectiveness and performance of the proposed algorithms     

盲信号分离

阵列处理和数据分析的一个典型问题是从混合的观测数据向量中恢复不可观测的各个源信号.盲信号分离是解决这一问题的一门新技术,近几年吸引了信号处理学界和神经网络学界众多学者的研究兴趣.本文将以独立分量分析和非线性主分量分析为主要对象,综述盲信号分离技术的理论、方法及应用等方面的发展,并作有关展望.     

一种基于二阶盲信号分离的多路声回波抑制模型

本文提出了一个基于二阶盲信号分离的多路声回波抑制模型.该模型回避了多路声回波对消中因声回波源信号间的强互相关性所致的固有的解的非唯一性问题,而是充分利用了这种互相性来去除声回波.模型仅添加一个辅助麦克风并巧妙置位即可对各路麦克风信号中的多路声回波进行有效的分离和抑制.为了实时处理的目的,提出了一个计算复杂度低且收敛稳健的二阶频域盲信号分离算法来检验该模型.实验结果充分确认了提出模型的有效性.     

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。      

MIMO-AR System Identification and Blind Source Separation for GMM-Distributed Sources

The problem of blind source separation (BSS) and system identification for multiple-input multiple-output (MIMO) auto-regressive (AR) mixtures is addressed in this paper. Two new time-domain algorithms for system identification and BSS are proposed based on the Gaussian mixture model (GMM) for sources distribution. Both algorithms are based on the generalized expectation-maximization (GEM) method for joint estimation of the MIMO-AR model parameters and the GMM parameters of the sources. The first algorithm is derived under the assumption of unstructured input signal statistics, while the second algorithm incorporates the prior knowledge about the structure of the input signal statistics due to the statistically independent source assumption. These methods are tested via simulations using synthetic and audio signals. The system identification performances are tested by comparison between the state transition matrix estimation using the proposed algorithms and the well-known multidimensional Yule-Walker solution followed by an instantaneous BSS method. The results show that the proposed algorithms outperform the Yule-Walker based approach. The BSS performances were compared to other convolutive BSS methods. The results show that the proposed algorithms achieve higher signal-to-interference ratio (SIR) compared to the other tested methods.