基于改进Wave-U-Net跳跃连接的盲源分离算法

为了进一步提升现有盲源分离算法的分离性能,本文在Wave-U-Net的基础上提出了一种全尺度跳跃连接模型。首先为了解决Wave-U-Net下采样过程中信号特征丢失问题,该模型在跳跃连接中增加了卷积操作,通过对不同时间尺度的特征图进行连接,有效地结合了信号的浅层特征和深层特征,提升了模型的分离性能。针对Wave-U-Net最佳深度取值和全尺度跳跃连接模型的参数过多的问题,本文进一步提出了多尺度跳跃连接模型。在多尺度跳跃连接模型中,通过嵌入不同深度的Wave-U-Net来代替跳跃连接中的卷积操作,在牺牲一部分分离性能下减少了模型参数,该模型共享下采样块来降低模型训练时间以及模型最佳深度取值带来的影响。仿真实验表明,相比于其他基线模型,本文提出的两种模型能显著提升信号分离性能,在SDR,SIR,SAR提升奖将近3~4 dB。      

一种基于一维卷积残差网的单通道信号源个数估计算法

单通道信号源个数估计是单通道盲源分离问题的前提与难点,传统方法无法直接进行估计且准确率较低.文章提出了一种基于深度网络分类器的单通道信号源估计方法.该方法将源个数估计作为分类问题,在经典CNN的基础上引入一维卷积网络与残差结构作为分类器,采用短时傅里叶变换和梅尔倒谱系数作为联合特征输入分类器.在Libricount数据集上的测试结果表明,该方法的源个数估计准确率明显优于基准模型.     

盲源分离技术研究：有监督与无监督

盲源分离(Blind Source Separation, BSS)技术是在源信号和混合方式未知的情况下将混合信号恢复为源信号的技术。本文首先按照混合方式特点将盲源分离分为线性瞬时混合、线性卷积混合、非线性混合三类,然后分别从无监督和有监督分离的角度对盲源分离算法进行了总结,展望了盲源分离技术的下一步研究方向和未来的应用前景。