语音信号盲分离—ICA算法讲述.pptx

语音信号盲分离 —ICA算法 主要内容 背景介绍 研究现状介绍 盲分离的概念、方法和准则 Fast ICA算法 语音信号盲分离实例 背景介绍 语音信号的分离近年来成为信号处理领域的一个研究热点，它在电话会议、助听器及便携设备、机器的语音识别方面有很多的应用与影响。而盲信号处理的方法常被用于语音分离中去，“盲”是指没有关于源信号本身以及传输信道的知识，盲分离的理论基础是独立分量分析（ICA），其可以广泛的被应用于通信、图像、语音、生物医学、雷达、地震、声纳等多种类型信号的处理。盲分离技术可以用于消除不需要的干扰以增加语音质量。 语音分离使得助听器有更强大的处理功能，使得接收信号分离出尽可能接近原始的语音。更适合于语音编码和基音检测。特别是在混合语音信号进行编码方面，传统的单通道方法处理起来十分困难，而混合语音可以看作多路语音信号的线性组合，其每一路语音信号都可视为独立分量，这正好与ICA的假设相符。语音识别。机器的语音识别能力远不及人类，尤其是在有噪音和干扰的背景下。 这时作为语音识别的前端处理，盲语音分离可以很好的去除干扰，不论是加性噪声还是其他不感兴趣的语音，这就大大增强了机器的识别率。 盲信号处理(Blind Signal Processing, BSP)作为计算智能学的核心研究内容，是20世纪最后十年迅速发展起来的一个新研究领域，是人工神经网络与统计信号处理以及信息理论相结合的产物，已经成为一些领域研究与发展的重要课题，它具有可靠的理论基础和许多方面的应用潜力。事实上，盲信号处理已成为重要的研究课题，并在许多领域得到发展，特别是在生物医学工程、医疗成像、语音增强、遥感、雷达与通信系统、地震勘探、地球物理学、计量经济学、数据挖掘等方面均具有突出的作用。盲信号处理技术原则上不利用任何训练数据，也没有关于卷积、滤波、混合系统参数的先验知识。而且随着盲信号处理技术的不断成熟，从传统的信号处理、神经元网络领域到通信、生物医学工程、地球物理、以及图像工程、控制工程等领域，盲信号处理技术正在得到越来越广泛的应用。因此，大力发展盲信号处理技术，不仅会积极地促进信号处理、神经网络的研究，而且也将会对多个领域新技术的发展起到一定的促进作用。 背景介绍 研究现状简介 线性瞬时混合信号 较早进行盲源分离方法研究的是jutten和Herault,1986年，他们提出了一种盲源分离方法，该方法基于反馈神经网络，通过选取奇次的非线性函数构成Hebb训练，从而达到盲源分离的目的。但该方法不能完成多于两个源信号的分离，非线性函数的选取具有随意性，并且缺乏理论解释。 1991年，Juttcn, Herault以及Comon和Sorouchyari在杂志Signal Processing上发表了关于盲信号分离的三篇经典文章，标志着盲源分离问题研究的重大进展.他们不仅提出了盲源分离中著名的H-J学习算法，而且设计了专门的CMOS集成芯片来实现他们的算法。H-J方法后来由Jutten和Herault、Comon, Cichocki和Moszczynski以及其他研究者解释并发展。Tong和liu分析了盲源分离的可分离性和不确定，并给出了一类基于高阶统计量的矩阵代数分方法。 1993年，Cardoso提出了基于高阶统计的联合对角化盲源分离方法，并应用于波束形成。 1995年，Bell和Sejnowsk基于信息理论，通过最大化输出非线性节点的熵，得出一种最大信息(Informatian Maximization,简记Infomax)传输的准则函数，并由此导出一种自适应盲源分离和盲反卷积方法，当该方法中非线性函数的选取逼近源信号的概率分布时，可以较好地恢复出源信号。该算法虽有其局限性，但在分离线性混合的语音信号方面非常有效。 1997年，Hyvarinen等基于源信号非高斯性测度，给出一类定点训练算法(fixed-point)，该类算法可以提取单个具有正或负峰度的源信号。 1999年，Lee、 Girolami和Sejnowski将信息最大化原则的独立分量分析作了进一步的扩展，实现了超高斯源信号和亚高斯源信号的盲源分离，这个方法选取两个不同的非线性函数分别实现超高斯信号和亚高斯信号的盲源分离。但是这个方法只局限于实现标准的独立分量分析，不能解决当源信号维数大于混合信号维数时的盲源分离向题，也不能实现具有噪音的独立分量分析。 研究现状简介 非线性瞬时混合信号 最近，人们已经开始研究存在噪声的混合和非线性混合信号的盲源分离问题。非线性盲源分离比线性情况的分离难度更大，目前基本还处在最初的摸索阶段。较早涉及非线性混合信号盲