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.     

盲源分离在单通道语音增强算法中的应用

提出一种单通道语音增强算法。首先由接收到的单声道语音信号的含噪部分构造一个假想噪声源,将这一噪声源和含噪的信号作为多通道自适应去相关（MAD）盲分离算法的输入,得到增强的语音信号。进一步将这一增强的语音作为输入,利用Daubechies小波对其进行分解,在小波域中选取合适的阈值函数进行滤波,然后合成时域语音信号。根据以上步骤得到的增强语音有较高的信噪比及可懂度。     

基于盲源分离和噪声抑制的语音信号识别

为了更准确地在噪声环境中对不同语音信号进行识别,提出了一种用于普适语音环境下的自优化语音活动检测(VAD)算法,该算法运用个性化语音命令自动识别系统的语音信号,并能够有效地从多个发声者的混合语音中分离出个体发声者的声音,通过跟踪语音功率谱的较高幅度部分和自适应地抑制噪声来检测发声者的语音信号;设计并实现了一种处理多个发声者任务的自动语音识别(ASR),免去了对干净的语音变化进行先验估计,直接利用噪声本身产生语音/非语音判决的阈值以完成自优化过程;使用语音数据库NOIZEUS进行了评价测试,实验结果表明,所提出的盲源分离和噪声抑制方法不需要任何额外的计算过程,有效地减少了计算负担。     

基于准正交原理的多信源少观测源的盲语音信号分离

信号源个数多于观测信号个数情况下的盲源分离问题是盲信号分离中的一个难题,也是一个很实际的问题。论文在A.Hyvrinen提出的一种基于准正交原理的盲分离算法基础上,指出当混合矩阵的基矢量不满足准正交性时,可以对观测信号预白化,使混合矩阵的基矢量的准正交性得以很大提高。然后将此方法用于多信源少观测源情况下的混合语音信号分离。实验分为两个过程:(1)估计混合矩阵;(2)用最大后验概率的估计方法分离源语音信号。实验结果证明了该算法能够有效用于高维情况下多信源少观测源的盲语音信号分离。     

基于改进遗传算法的盲源分离算法研究

在传统盲源分离算法的基础上,提出了一种基于改进遗传算法的盲源分离算法。改进遗传算法可有效地抑制寻优陷入局部最小,防止了震荡,加快了权值的收敛速度,适用于非线性混叠情况。实验结果表明,将遗传算法和盲源分离相结合对于多路混叠语音信号具有较好的分离效果。     

基于改进的萤火虫优化算法的混合语音盲分离

针对传统盲源分离优化算法对分离性能影响较大的局限性,提出了一种基于改进的萤火虫优化的混合语音盲分离算法。将萤火虫的飞行跨度由固定取值变为由新构造的函数自适应调整,在加快收敛速度的同时避免算法早熟现象的发生。实验结果表明,与基于自然梯度、标准萤火虫和粒子群优化的盲分离算法相比,新算法对混合语音信号的分离效果较好,在收敛速度和分离能力方面都有所提升。     

基于贪婪稀疏优化的欠定语音盲分离方法

提出一种基于语音信号稀疏特征的稀疏分量分析两步法,力图提高欠定情况下的语音信号盲分离性能.不同于传统的两步法,所提方法需要获取语音信号在变换域中的稀疏特征,将贪婪最优化思想引入至稀疏分量分析方法中,重构欠定盲分离语音源信号.通过仿真对比实验,展示了该方法应用于平稳声音信号和非平稳语音信号的盲分离效果,它能较好恢复语音源...     

PID控制原理在语音信号盲源分离中的应用

语音信号在非平稳系统中是动态混合的,为了实时抑制盲源分离过程中的非平稳混合扰动,加快收敛速度,减小稳态误差,提出了一种应用PID控制原理的自适应盲源分离算法。依据一种无预处理的自适应盲源分离算法建立PID控制模型,调节学习速率,跟踪语音信号的分离过程,实时减小由非平稳混合引入的分离误差,动态更新分离矩阵。在混合矩阵缓变和突变两种情形下分别对PID参数整定和语音信号的分离进行仿真分析,结合经典算法对比提出算法的性能。仿真与对比结果表明,提出的算法适用于非平稳混合系统语音信号的分离,算法性能较经典算法有改善。     

一种新的用于语音分离的盲源分离算法

提出了一种基于自然梯度的语音盲分离改进算法。该算法首先使用奇异值分解（SVD）的方法对观测信号进行预白化处理,而后使用自然梯度算法对预白化处理后的观测信号进行分离。通过计算机模拟试验,结果显示该算法能够有效地分离随机混合的自然语音信号。     

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.     

基于遗传算法的盲源信号分离技术研究

提出一种采用遗传算法进行盲信号分离的新方法,为盲信号分离领域提供一种新的研究思路与方法。该方法基于迁移策略,应用交叉和变异方法,生成新一代的染色体,对由多个源信号混合而成的信号进行盲信号分离。实例表明了该方法的有效性。     

基于稀疏性的欠定语音盲分离方法研究

针对源信号增多导致语音信号稀疏性变差的问题,提出一种新的基于稀疏性的混合矩阵估计方法,利用主分量分析(PCA)检测只有一个源信号存在的时频点并用于估计混合矩阵,从而提高了估计性能,特别适用于欠定语音盲分离。同时指出了影响基于稀疏性语音盲分离方法性能的因素。仿真结果验证了上述结论。     

语音信号频域盲分离算法

盲信号分离算法广泛应用于信号处理领域,本文介绍了一种基于互相关的盲分离频域算法,并且通过计算机仿真验证了本方法的有效性。     

基于模拟退火粒子群的实时语音信号盲分离

针对现有的盲分离算法大多存在收敛速度慢、优化精度低的问题,提出了一种新的基于模拟退火粒子群的盲分离算法.该算法以分离信号的负熵为目标函数,根据分离信号的状态、粒子的惯性权值随退火温度及适应度的变化自适应地调节,既基本保持了粒子群算法简单容易实现的特点,又改善了其摆脱局部极值点的能力,提高了算法的收敛速度、分离精度和稳定性能.仿真对比结果表明,新算法性能明显优于自然梯度卷积混合盲分离算法和小渡变换快速独立分量分析算法,很好地实现了实时语音信号的分离且提高了分离性能.     

基于麦克阵列的实时盲语音分离系统

通过使用多波束形成器对盲分离系统进行预处理滤波,结合频域内独立分量分析的方法,提出了一种基于麦克阵列的快速实时盲语音分离系统,它能够有效地分离在真实环境中的卷积混叠语音信号。     

基于盲源分离的商业销售计算机仿真分析

研究了盲源分离用于商业销售分析中的应用.传统的销售分析只是对销售数据进行简单的分析,得出一些表面的原因.并不能发现其中的深层的因素,盲源分离却正能实现这一传统方法难以实现的分离作用.采用盲源分离的特征向量分离算法进行了几个大型超市销量的特征向量分离算法的仿真分离实验,并对实验结果进行了分析研究,从而找到了影响商业销售量的几个重要因素,找出了影响销售量变化的几个重要原因.为商业销售中的日常管理找到了一条与传统管理不同的方法,为独立成分分析应用于销售市场分析提供了理论参考.     

基于EMD的单通道盲源分离跳频通信抗干扰方法

针对传统盲源分离算法无法在单路接收的跳频通信场景中使用的问题,提出一种结合经验模态分解的单通道盲源分离跳频通信抗干扰方法。首先通过理论分析和仿真确定了采用EMD对混有干扰的单路接收跳频信号进行增维的方法,将单通道盲分离的欠定问题转为正定问题,之后分别利用全盲盲源分离和半盲盲源分离实现扰信分离。在不同信干比、不同信噪比等多种条件下的仿真实验验证了本方法的有效性。     

基于多频段排序的语音卷积混合盲源分离

针对语音卷积盲源分离频域法排列顺序不确定性问题,提出一种多频段能量排序算法。首先,通过对混合信号的短时傅立叶变换(STFT),在频域上各个频点建立一个瞬时混合模型进行独立分量分析,之后结合能量相关排序法和波达方向(DOA)排序法解决排序不确定性问题,再利用分裂语谱方法解决幅度不确定性问题,进而得到每个频点正确的分离子信号,最后利用逆短时傅立叶(ISTFT)变换得到分离的源信号。仿真结果表明,与Murata的排序算法对比,改进的算法在信号偏差比、信道干扰比、系统误差比上都所提高。     

基于量子遗传算法的盲源分离算法研究

在改进遗传量子算法的基础上，提出了一种新的量子遗传算法并从理论上证明了算法的全局收剑性．提出了基于量子遗传算法与独立分量分析算法相结合的盲源分离新算法．仿真结果表明：新方法比采用常规遗传算法的盲源分离方法具有明显的高效性．     

基于线性预测的固定点盲源分离算法

将可预测性作为盲源分离的代价函数,可以提取具有不同时序结构的源信号.但这种算法的批处理形式收敛速度较慢,本文针对这种算法进行了改进,根据Kuhn-Tucker条件,提出了基于线性预测的固定点盲源分离算法.与A.K.Barros等提出的批处理算法相比,基于线性预测的固定点批处理算法具有更快的收敛速度.本文提出的固定点批处理算法具有运算量低、无需设置步进长度的优点.实际采集的语音数据试验验证了该算法的有效性.