基于稀疏编码和ICA的带噪混叠语音盲分离_杜军.pdf

2008 年 12 月 山 东 师 范 大 学 学 报 ( 自 然 科 学 版) Dec . 2008 ( ) 第 23 卷 　第 4 期 Journal of Shandong Normal University Natural Science Vol . 23 No . 4 基于稀疏编码和 ICA 的带噪混叠语音盲分离 杜 　军1) ,2) ( 1) 山东大学信息科学与工程学院 ,250100 ,济南 ; 　2) 山东师范大学传播学院 ,250014 ,济南 ∥34 岁 ,女 ,讲师 ,博士生 ) 摘要 　主要介绍了采用稀疏编码去噪技术对带噪观测混叠语音分别进行预消噪处理 ,然后再利用 ICA 盲分离算法对稀疏编 码去噪后的混叠语音进行分离 ,从而得到各个语音源信号的估计. 计算机仿真结果表明这种方案具有很好的分离效果. 关键词　稀疏编码 ; 　ICA ; 　盲分离 ( ) 稀疏编码 Sparse Coding 是指对多维数据寻找一种神经元网络表征的过程 ,在这个神经元网络里 ,只有少数的 一些神经元权值起主要的作用[ 1] . 后来 Hyvrinen 对稀疏编码的应用从整体上进行了系统的分析[2 ] . 稀疏编码的关 键问题就是要找到一个神经元网络矩阵 ,使信号经过该矩阵转换后得到的分量具有稀疏分布[2 ] . 稀疏编码作为一 种稀疏神经元网络表征方法可以有效的用于去除噪声[3 ] . 这种稀疏表征可以借助于 ICA 特征提取来得到 ,实际也 就是求取语音数据的特征基矩阵. 由于稀疏编码去噪主要利用的是语音数据的特征基来进行降噪 , 因此它对语音 信号的破坏较小 ,语音失真比较小. 鉴于以上 ,本文提出了基于稀疏编码预消噪处理的一种稀疏编码与 ICA 相结合 的带噪混叠语音盲分离方案. 在该方案中 ,我们首先采用稀疏编码去噪技术对被噪声严重污染的观测混叠语音分别进行预消噪处理 ,然后 再利用 ICA 盲源分离算法对稀疏编码去噪后的混叠语音进行盲分离 ,从而得到各个原始语音信号的估计. 1 　稀疏编码去噪 1. 1 　稀疏编码去噪原理 　设一维带噪观测变量 Y 是由零均值平 稳随机变量 X 和加性噪声 V 构成. Y = X + V. ( 1) 2 式中 X 为具有稀疏分布的特估计原始信号 , V 为方差为 σ 的高斯 白噪声. 零均值随机变量 X 之所以称为“稀疏”是指其概率密度函 数在原点处有尖锋 ,两旁有较重的拖尾. 图 1 所示的Laplace 双指数 分布是一种典型的超高斯分布 , 图中虚线为高斯分布情形. 若假设 X 具有 Laplace 稀 疏 分布 , 则其 概 率 密 度 函数 为 p ( X ) = exp - 2 | X | / 2 , 利 用 最 大 似 然 估 计 法 ( Maximum Likelihood 图 1 　Laplace 超高斯分布 ) [3 ,4 ] Estimation , MLE 可由带噪信号 Y 得到X^ ^ 2