语音信号的盲分离毛丽娟Word格式.docx
《语音信号的盲分离毛丽娟Word格式.docx》由会员分享，可在线阅读，更多相关《语音信号的盲分离毛丽娟Word格式.docx（23页珍藏版）》请在冰豆网上搜索。
语音信号盲分离处理的含义是指利用BSS技术对麦克风检测到的一段语音信号进行处理。
混合语音信号的分离是盲分离的重要内容，目前的混叠语音分离大多是建立在无噪环境中的混叠情形下，主要以盲源分离（BlindSourceSeparation，BSS），根据信号的统计特性从几个观测信号中恢复出未知的独立源成分。
本文重点研究了以语音信号为背景的盲处理方法，在语音和听觉信号处理领域中，如何从混叠语音信号中分离出各个语音源信号，来模仿人类的语音分离能力，成为一个重要的研究问题。
我们所要研究的混合语音信号盲分离问题就是用麦克风阵列或多个麦克风阵列来模仿人的耳朵,采集得到相互干扰的混叠语音信号,然后通过分离算法将混叠的语音信号相互分离开来,提取我们所感兴趣的信号。
“鸡尾酒会”问题是语音盲分离问题的典型描述。
它描述了在多人同时说话的嘈杂环境下,我们能够辨识感兴趣人的说话声的能力。
本文主要用ICA算法进行盲分离。
关键词：
语音信号，盲源分离，独立成分分析
Abstract
BlindseparationofspeechsignalprocessingmeansistheuseofBSStechniquesmicrophonedetectsavoicesignalprocessing.Separationofmixedspeechsignalsisimportantforblindseparation,thecurrentseparationofoverlappingspeechisbuiltmostlyintheabsenceofaliasingnoiseintheenvironment,underthecircumstances,mainlyinblindsourceseparation（BlindSourceSeparation,BSS）,thestatisticalcharacteristicsofsignalSeveralobservationsfromtheunknownsignaltorecovertheindependentsourcecomponents;
Thisarticlefocusesonthebackgroundtotheblindspeechsignalprocessingmethod,signalprocessing,speechandhearing,howthenoisefromamixtureofoverlappingspeechsignaltoseparatethevariousaudiosourcesignalstomimichumanspeechseparationabilitybecomeanimportantresearchquestion.wewillstudymixofspeechsignalisblindsourceseparationwithamicrophonearrayormoremicrophonearraytoimitatehumanears,acquisitiongeteachotherinterferencealiasingspeechsignal,andthenthroughtheseparationalgorithmwillaliasingvoicesignalmutualseparated,extractionweareinterestedinsignal."
Cocktail"
problemisblindsourceseparationoftypicalproblemsspeechdescription.Itdescribesthepeoplespeakatthesametimeinthenoisyenvironment,wecanidentifyinterestedintheabilityofthehumanvoice.ThispapermainlyICAalgorithmwithblindseparation.
keywords:
speechsignal,blindsourceseparation,independentcomponentanalysis
1语音信号
1.1语音特性分析
1.语音产生机理
发声器官分为三部分：
肺、喉（声门）和声道。
肺的作用相当于一个动力源，将气流输送到喉部。
喉将来自肺部的气流调制为周期脉冲或类似随机噪声的激励声源，并送入声道。
喉在发声中的作用是控制声带的开启和闭合，使得气流形成一系列脉冲，声带振动的频率决定了声音频率的高低。
由声带振动产生的音统称为浊音，而不由声带振动产生的音统称为清音。
声道包括口腔、鼻腔和咽腔，它们对声源的频谱进行整形而产生不同音色的声音。
声道的谐振频率称为共振峰频率，它与声道的形状和大小有关，每种形状都有一套共振峰频率作为其特征，改变声道的形状就产生不同的语音，因而，当声道形状改变时，语音信号的频谱特性就随之改变。
声源经过声道润色频谱后，最后从嘴唇或鼻孔或同时从嘴唇和鼻孔辐射出来，形成可传播的声波，被人感知为语音。
综上所述，语音由空气流经过声门激励，经由声道调制，经过嘴辐射出去，完整的语音信号产生的数学模型可以用三个子模型：
激励模型、声道模型和辐射模型的串连来表示。
2．语音的特性
（1）短时平稳性
根据对语音信号的研究，语音是一种时变的、非平稳的随机过程，但另一方面，由于人类发声系统的生理结构的变化速度是有一定限度的，在一段短时间内（10～30ms）人的声带和声道形状基本稳定，并且大部分情况下，激励源参数也是如此，因此可认为短时间内语音特征是不变的，语音的短时性特点是对语音信号进行分析和处理的基础。
（2）浊音和清音
语音分为浊音和清音两大类，二者从语音产生的机理上有明显的差异，前者由周期性脉冲产生，后者由随机噪声产生，因而在特征上也有明显的区别。
浊音在时域上呈现出明显的周期性，在频域上具有共振峰结构而且能量大部分集中在较低频段内。
清音则完全不同，它没有明显的时域和频域特征，类似于白噪声。
浊音在频谱上有共振峰结构，能量重要集中在低频区（<
1000Hz），清音没有共振峰结构，能量小且主要集中在高频段（>
1000Hz）。
1.2语音信号的基本特征
（1）语音信号的时域特征
由于说话人在不同时刻的说话内容千变万化，而且没有确定的规律性，因此语音信号是时变的。
但由于人类的发声器官的变化速率有限，声道在短时间内（5．500ms）处于平稳状态，因此语音信号具有短时平稳性。
而这种短时平稳性，也是语音处理中许多理论和算法的必要前提。
由于人们在说话时，各个音节或单词之间总会存在着时间上的间隔，
因此语音信号在时域上存在着有音段和无音段。
通过有音段和无音段的检测，可用去除带噪语音中平稳的噪声。
此外，无音段所占比例越大，语音的稀疏性越好，利用这一特点，产生了许多基于语音稀疏性的增强算法。
（2）语音信号的频域特征
语音信号的频谱能量主要集中在300-3400Hz范围内。
语音本身由浊音和清音组成，浊音含有语音信号的大部分能量，其频谱分布主要集中在低频段中的基
音频率及其各次谐波上，呈现出明显的周期性；
清音则表现出随机性，在频谱上类似于白噪声。
（3）语音信号的统计特征
语音信号可以看作是一个遍历性随机过程的样本函数，其统计特性可用其幅度的概率密度函数来描述。
对语音信号的统计特性的研究表明，其幅度分布的概率密度函数可以用两种近似的表达式来较好地描述，其中一种是伽马（Gamma）分布
（1-1）
式中k是一个常数，与标准差仃，有下列关系
（1-2）
另一种是拉普拉斯分布（Laplacian）分布
（1-3）
式中，口是一个由标准差仃。
决定的常数，即
（1-4）
相对说来，伽马分布对语音信号的幅度分布描述更为精确一点，而拉普拉斯分布的函数形式则更加简洁。
2盲信号处理
2.1盲信号处理的概述
2.1.1盲信号处理的基本概念
盲信号处理是现代数学信号处理、算智能学近年来迅速发展的重要方向。
电子信息、通信、生物医学、图像增强、雷达、地球物理信号处理等众多领域有广泛的应用前景。
盲信号处理就是利用系统（如无线信道、通信系统等）的输出观测数据,通过某种信号处理的手段,获得我们感兴趣的有关信息（如原来独立发射的信号等）。
盲信号的研究是当前学术界的一个研究热点，而盲信号分离则是盲信号研究中的一个重要的课题。
BSS是指从观测到的混合信号中分离出未知的源信号。
盲信号中的“盲”意味着两个方面：
第一，对源信号一无所知或只有少许的先验知识。
第二，混合本身是未知的。
这看似是一个不可能的任务，然而理论和实际都证实了只需要相当简单的假设，就可以得到该问题的解。
这一特点使得BSS成为一种功能相当强大的信息处理方法。
混合矩阵
分离矩阵
噪声向量
S（t）
X（t）
Y（t）
图2.1盲处理原理框图
2.1.2盲信号处理的方法和分类
在盲信号处理中，就源信号进过传输通道的混合方式而言，其处理方法可分为线性瞬时混合信号盲处理、线性卷积混合信号盲处理和非线性混合信号盲处理三类。
根据通道传输特性中是否含有噪声、噪声特性（白噪声、有色噪声等）、噪声混合形式，可分为有噪声、无噪声盲处理，含加性噪声和乘性噪声混合信号盲处理等。
按源信号和观测信号数目的不同可以将混合方式分为欠定、适定和超定情况;
按源信号特性的不同分为:
平稳、非平稳、超高斯、亚高斯、超高斯和亚高斯混合分离等。
盲处理的目的可分为盲辨识和盲源分离两大类。
盲辨识的目的是求得传输通道混合矩阵（新型混合矩阵、卷积混合矩阵、非线性混合矩阵等）。
盲源分离的目的是求得源信号的最佳估计。
当盲源分离的各分量相互独立时，就称为独立分量分析，即独立分量分析是盲源分离的一种特殊情况。
2.1.3盲信号处理技术的研究应用
近年来，盲信号处理逐渐成为当今信息处理领域中热门的课题之一，并且已经在尤其在生物医学工程、医学图像、语音增强、遥感、通信系统、地震探测、地球物理学、计量经济学和数据挖掘等领域显示出诱人的前景，特别是盲源分离技术、ICA的不断发展和应用最为引人注目。
下面介绍盲处理应用中的两个主要方面：
1.语音识别领域
语音信号分离、语音识别是盲处理应用的一个重要领域。
最典型的应用就是声控计算机，计算机所接受到的语音指令肯定是肯定是带有各种环境噪声的，还可能存在其他的语音信号（如有其他人说话），而且这些信号源与接收器的相对位置也未知，计算机需要在这种情况下识别出正确的语音命令。
在移动通信中，往往存在通信质量问题，极大的影响了通话效果，而盲源分离或盲均衡技术能够消除噪声、抑制干扰及增强语音，提高通话质量。
2.生物医学信号处理
在生物医学领域，盲信号处理可应用于心电图（ECG）、脑电图（EEG）信号分离、听觉信号分析、功能磁共振图像（FMRI）分析等。
例如人们常常需要从肌电图中确定神经元细胞信号的触发模式，而EMG信号通常由多个特殊的传感器在人体表处测得，从信号源到传感器之间的信号传输介质参数是未知的，而人们之间各不相同。
目前已经有一些学者将盲源分离技术成功地够应用于脑电图等信号的数据处理。
2.2盲源分离法
2.2.1盲源分离技术
盲源信号分离（BlindSourceSeparation,BSS）是20世纪90年代迅速发展起来的一个研究领域。
它具有可靠的理论基础和许多方面的应用潜力。
其在生物医学工程、医学图像、语音增强、遥感、通信系统、地震探测等领域有着广泛而诱人的前景,盲源分离成为信号处理和神经网络领域的研究热点。
盲源分离是针对从检测的混合信号中估计或恢复源信号的问题提出的，是指源信号、传输通道特性未知的情况下，仅由观测信号和源信号的一些先验知识（如概率密度）估计出源信号各个分量的过程。
例如最著名的鸡尾酒会问题，仅根据多个麦克风检测信号分离或恢复出某种语音源信号。
2.2.2盲分离算法实现
在实际的ICA盲分离算法应用中,一般有时是必需的对观测数据做一些预处理技术，如用主成分分析（PCA）降维和白化,用滤波器进行滤波降噪处理等。
另外,由于恢复准则的局限以及先验知识的缺乏,盲信号分离方法只能得到源信号的波形,而无法确定信号的幅值以及信号之间的顺序。
这两点都需要人为的制定规则（如规定信号的方差为1来确定幅值）来确定。
图2.2盲信号分离基本原理框图
2.3独立成分分析
独立分量分析（IndependentComponentAnaly2sis,ICA）是由Herault和Jutten在1983年提出,该方法不依赖与源信号类型相关的详细知识或信号传输系统特性的精确辨识,是一种有效的冗余取消技术,被广泛应用于盲源分离（blindsourceseparationBSS）、特征提取和盲解卷、生理学数据分析语音信号处理、图像处理及人脸识别等领域。
该方法根据代价函数的不同,可以得到不同的ICA算法,如信息最大化（infomax）算法、FastICA算法、最大熵（ME）和最小互信息（MMI）算法、极大似然（ML）算法等。
在统计学中，独立成分分析或独立分量分析（Independentcomponentsanalysis，缩写：
ICA）是一种利用统计原理进行计算的方法。
它是一个线性变换。
这个变换把数据或信号分离成统计独立的非高斯的信号源的线性组合。
独立成分分析是盲信号分离（Blindsourceseparation）的一种特例。
2.3.1独立成分分析的定义
ICA是一种用来从多变量（多维）统计数据里找到隐含的因素或成分的方法，被认为是主成分分析（PrincipalComponentAnalysis,PCA）和因子分析（FactorAnalysis）的一种扩展。
对于盲源分离问题，ICA是指在只知道混合信号，而不知道源信号、噪声以及混合机制的情况下，分离或近似地分离出源信号的一种分析过程。
独立成分分析（IndependentComponentAnalysis,ICA）是近年来出现的一种强有力的数据分析工具（HyvarinenA,KarhunenJ,OjaE,2001;
RobertsSJ,EversonR,2001）。
1994年由Comon给出了ICA的一个较为严格的数学定义，其思想最早是由Heranlt和Jutten于1986年提出来的。
ICA从出现到现在虽然时间不长，然而无论从理论上还是应用上，它正受到越来越多的关注，成为国内外研究的一个热点。
特别是从应用角度看，它的应用领域与应用前景都是非常广阔的，目前主要应用于盲源分离、图像处理、语言识别、通信、生物医学信号处理、脑功能成像研究、故障诊断、特征提取、金融时间序列分析和数据挖掘等。
盲源分离技术是近二十年发展起来的一门新型科学，在各国科学家和研究人员的努力下获得了充分的发展，但是ICA的研究方兴未艾，它毕竟是一个涉及面广并且仍处于发展前沿的课题，在理论上还远没有成熟，许多问题有待进一步研究和解决。
（1）带噪混合信号的盲分离问题。
盲信号处理中的未知条件太多，混合信号含有噪声的情况下的盲源分离问题解决起来是相当困难的。
尽管目前已有部分算法对存在噪声的情况表现出了良好的性能，但由于噪声种类繁多，因此处理起来仍很棘手。
现有的大多数盲源分离或盲解卷积算法都假设不含噪声或者把噪声看作是一个独立的信源信号来处理。
（2）非平稳混合信号的盲源分离算法。
许多情况下源信号可能是非平稳的，如何利用信号的非平稳特性进行盲源分离是摆在广大研究人员面前的一个现实问题。
（3）卷积混合信号的盲源分离算法。
在实际中，系统接收到的混合输入信号是源信号经过不同的传播途径到达接收器。
在这个过程中，不可避免的存在信号的时延和反射。
针对这种情况的盲源分离算法还很不成熟。
（4）ICA的推广应用。
在算法应用方面，ICA可以取得进一步的发展，如可以在语音识别、图像处理、特征提取、医学信号处理方面作进一步的研究。
目前的关键的问题是如何将理论算法转化为实际应用，以及如何建立更加符合实际情况的模型等。
（5）算法的收敛性。
算法全局收敛性的研究，可以考虑将遗传算法、混沌算法等具有全局收敛性的优化算法和ICA结合起来，提高算法的全局收敛性。
2.3.2ICA的基本原理
（1）无噪声的ICA模型
ICA作为生成模型的估计给定随即变量的一组观测
…
，其中
是时间或者样本标号，假设它们有独立成分线性混合而产生：
=A
（2-1）
式中，
是某个未知矩阵。
用向量-矩阵符号方式表示通常比上面的求和表达式更为方便。
用随机向量x来表示混合向量，其元素分别为
，同样地，用
来表示元素
，用矩阵
表示那些混合系数
。
所有的向量都理解为列向量；
这样
或者称
的转置就是一个行向量。
利用向量和矩阵符号表示，混合模型可以写为：
（2-2）
有时我们需要使用矩阵A中的列向量，如果将其表示为,则模型也可以写为：
（2-3）
（2）有噪声的ICA模型
将基本的ICA模型扩展到有噪声的情形，并且假设噪声是以加性噪声形式存在的。
这是一个相当现实的假设，因为加性噪声是因子分析和信号处理中通常研究的标准形式，具有简单的噪声模型表达方式。
因此，噪声ICA模型可表示为：
（2-4）
是噪声向量。
信号源噪声，即直接添加到独立成分（即信号源）上的噪声。
信号源噪声可用与式（2.1）稍有差别的下式来表示：
（2-5）
实际上，如果可以直接考虑带噪声的独立成分，那么可将此模型写为：
（2-6）
可以看出，这就是基本的ICA模型，只是独立成分本身变了。
3语音信号盲分离的实现
3.1盲信号分离的三种算法
3.1.1二阶盲辨识（SOBI）
SOBI先对观测信号
作白化处理，得到
定义
和
的时延相关矩阵为
（3-1）
（3-2）
由
易知：
（3-3）
又因为
，所以（3-4）
（3-5）
各分量相互独立可知，
是对角矩阵。
由此可见，矩阵
可以将
对角化。
在SOBI算法中，
取一组不同的值
，要求
能同时使得各个
尽可能的对角化，其中
3.1.2FastICA算法
FastICA算法是芬兰赫尔辛基工业大学计算机及信息科学实验室Hyvarinen等人1997年首先提出并发展起来的，在1999年进一步提出了改进——基于负熵的ICA固定点算法。
该算法基于非高斯性最大化原理，使用固定点（Fixed-point）
迭代理论寻我W1x非高斯性最大值，采用牛顿迭代算法对观测变量x的大量采样点进行批处理，每次从观测信号中分离出一个独立分量，是独立分量分析的一种快速算法。
FastICA算法，由于采用了定点迭代的思想，所以又称固定点（Fixed-Point）算法或定点算法，是一种快速寻优神经网络算法。
与普通的神经网络算法不同的是这种算法采用了牛顿迭代的思想对采样点采用批处理的方式，在每一步迭代中有大量的样本数据参与运算。
基于目标函数的选择不同，从而产生了FastICA算法的基于负熵最大、峭度、互信息最小、最大似然估计等的多种形式。
FastICA算法的基本步骤：
1.对观测数据
进行中心化，使它的均值为0；
2.对数据进行白化，
3.选择需要估计的分量的个数
，设迭代次数
4.选择一个初始权矢量（随机的）
5.令
非线性函数
的选取见前文。
6.
7.令
8.假如
不收敛的话，返回第5步。
9．令
，如果
，返回第4步。
然而FastICA算法也尤其自身的缺点，首先是它对初值的选择较自然梯度算法敏感，当初值的选择不是很合适的时候，算法的分离性能急剧的下降，其次算法的迭代步长有待进行自适应的优化。
3.1.3CICA算法
约束独立分量分析（Constrainedindependentcomponentanalysis，CICA）算法倒是一种改良的FastlCA算法。
在ClCA提取过程中，通过引入简单的约束参考信号来帮助分离某特定目标分量，从而有利于去除干扰信号。
ClCA算法的基本原理与FastlCA相同，每次提取一个独立分量。
文中所选用的CICA算法，实际上是一种加入了约束参数的FastICA算法，从而使ICA算法不用再进行特征提取与目标判定，就可以容易的分离出所需要的目标分量。
虽然CICA算法对信号分离具有良好的效果，但在实际应用过程中，CICA还需要进一步的探讨研究。
如阈值
与学习率
的选择不当，就会很容易引起输出结果发散。
同时收敛速度与误差函数
的选择也有关系，误差函数的形式要根据输入数据和参考信号来进行选择。
3.2不同算法的分离性能比较
SOBI算法利用了源信号的频谱差异性来分离源信号，当源信号中存在频谱结构相似的分量时，分离性能便会较差，这是SOBI算法的缺点。
FastICA算法的特点:
1．在1CA模型中，FastICA算的收敛速度是二次以上的，而梯度搜索法只是一次收敛。
2．与梯度搜索法相比，FastlCA的步长参数容易确定。
3该算法适用于任何非高斯信号。
4．可以通过选择不同的非线性函数G（Y）使算法的获得不同的性能。
基F独立分量分析的混合语音信号自分离系统的研究
5．可以逐个的估计独立分量。
6该算法是并行的、分布的，且计算简单，需要的内存较少。
FastlCA算法和其他的ICA算法相比，有着许多我们期望的特性：
收敛速度快；
和梯度算法不同，无需选择步长参数，易于使用；
该算法能适用于任何非高斯信号；
可以通过使用不同的非线性函数G-（y）使算法获得不同的性能；
独立分量可被逐个估计出来，这在仅需要估计几个独立分量的情况下，能减小计算量：
FastICA算法有许多神经算法的优点：
并行、分布、计算简单，内存要求小。
3.3FastlCA的算法仿真及结果分析
下面仿真中所使用的语音源信号是在干扰噪声很小的环境下用麦克风录制
升级会员 