基于matlab的語音信號盲分離分析與設(shè)計(jì)

1、基礎(chǔ)群課設(shè)課程設(shè)計(jì)任務(wù)書學(xué)生姓名：專業(yè)班級：指導(dǎo)教師：工作單位：信息工程學(xué)院題 目:語音信號的盲分消主要目的就是對學(xué)生進(jìn)行基礎(chǔ)課程、基本技能、基本動手能力的強(qiáng)化訓(xùn)練， 提高學(xué)生的基礎(chǔ)理論知識、基本動手能力，提高人才培養(yǎng)的基本素質(zhì)。一、訓(xùn)練內(nèi)容和要求設(shè)計(jì)任務(wù)：根據(jù)盲信號分離原理，用matlab采集兩路以上的語音信號，選擇合適的混合矩 陣生成若干混合信號。選取合適的盲信號分離算法（如獨(dú)立成分分析ICA等）進(jìn)行訓(xùn)練學(xué) 習(xí)，求出分離矩陣和分離后的語音信號。設(shè)計(jì)要求：（1）用matlab做出采樣之后語音信號的時域和頻域波形圖（2）選擇合適的混合矩陣，得到混合信號，并做出其時域波形和頻譜圖（3）采用混合聲

2、音信號進(jìn)行訓(xùn)練學(xué)習(xí)，求出分離矩陣，編寫出相應(yīng)的確matlab代碼。（4）用求出的分離矩陣從混合信號中分離出原語音信號，并畫出各分離信號的時域波形和 頻譜圖。（5）對結(jié)果進(jìn)行對比分析。二、初始條件計(jì)算機(jī)：Microsoft Office Word 軟件；MATLAB 軟件三、時間安排1、2012年6月18 口，作基礎(chǔ)強(qiáng)化訓(xùn)練具體實(shí)施計(jì)劃與報(bào)告格式要求的說 明；學(xué)生查閱相關(guān)資料，學(xué)習(xí)原理。2、2012年6月19 口，算法設(shè)計(jì)。3、2012年6月20 口至2012年6月22 ,運(yùn)用MATLAB軟件仿真4、2012年6月23 口，上交基礎(chǔ)強(qiáng)化訓(xùn)練成果及報(bào)告，進(jìn)行答辯。指導(dǎo)教師簽名：年月日系主任（或責(zé)任

3、教師）簽名：年月日摘 要mAbstractIV1 Mat lab軟件的簡介12語音信號的產(chǎn)生與獲取33語音信號的處理51.1 語音信號的時域分析51.1.1 語音信號的采集51.1.2 語音信號的時域波形圖61.2 原始信號的頻域分析74盲信號處理104.1 盲信號處理的概述104.1.1 盲信號處理的基本概念104.1.2 1.2盲信號處理的方法和分類104.1.3 盲信號處理技術(shù)的研究應(yīng)用114.2 盲源分離法124. 2.1盲源分離技術(shù)124. 2. 2盲分離算法實(shí)現(xiàn)124. 2.3盲源分離技術(shù)的研究發(fā)展和應(yīng)用134.3獨(dú)立成分分析144. 3.1獨(dú)立成分分析的定義144. 3.2ICA

4、的基本原理154. 3.3本文對ICA的研究目的及實(shí)現(xiàn)174. 3. 4分離結(jié)果分析205小結(jié)體會23附錄程序25#Ill摘要語音信號盲分離處理的含義是指利用BSS技術(shù)對麥克風(fēng)檢測到的一段語音 信號進(jìn)行處理?；旌险Z音信號的分離是盲分離的重要內(nèi)容，目前的混疊語音分離 大多是建立在無噪環(huán)境中的混疊情形下，主要以盲源分離(Blind Source Separation, BSS),根據(jù)信號的統(tǒng)計(jì)特性從幾個觀測信號中恢復(fù)出未知的獨(dú)立源 成分。本文重點(diǎn)研究了以語音信號為背景的盲處理方法，在語音和聽覺信號處理領(lǐng) 域中，如何從混有噪聲的的混疊語音信號中分離出各個語音源信號，來模仿人類 的語音分離能力，成為一

5、個重要的研究問題。具體實(shí)現(xiàn)主要結(jié)合ICA技術(shù)，將 語音去噪作為一個預(yù)處理過程，對帶噪聲的混疊語音盲分離進(jìn)行了研究，本文詳 細(xì)了介紹三種FastICA算:法：SOBI算法以及CICA算法，將三種算法應(yīng)用丁實(shí) 際的語音信號噪聲分離中，并比較了傳統(tǒng)算法和基于ICA/BSS算法在語音消噪 和增強(qiáng)方面的差異，文章最后還介紹了分離效果評價準(zhǔn)則，并比較了 SNR和SIR 參數(shù)。關(guān)鍵詞語音信號，語音信號噪聲，盲源分離，獨(dú)立成分分析IIIAbstractBlind separation of speech signal processing means is the use of BSS techniques

6、microphone detects a voice signal processing. Separation of mixed speech signals is important for blind separation, the cunent separation of overlapping speech is built mostly in the absence of aliasing noise in the environment, under the circumstances, mainly in blind source separation (Blind Sourc

7、e Separation. BSS), tlie statistical chai act eri sties of signal Several observations from tlie unknown signal to recover the independent source components;Tliis article focuses on the backgiound to the blind speech signal processing method, signal processing, speech and hearing, how the noise fioi

8、ii a mixture of overlapping speech signal to separate the various audio source signals to mimic human speech separation ability become an impoitant research question. Combination of conaete realization of the main ICA teclmology, speech denoising as a preprocessing of speech with noise-aliasing blin

9、d separation were studied, the paper introduces three kinds of FastICA algorithm: SOBI algorithm and the CICA algorithm, tlnee kinds of algoritlun application the actual noise in speech signal separation, and compared the traditional algoritlun and the ICA / BSS algoiithm in speech denoising and enh

10、ancement of the differences, the paper finally describes the separation evaluation criteria, and compared the SNR and SIR parameters.Keywords: Voice signal, voice signal noise, blind source separation, independent component analysis1 Mat lab軟件的簡介一種語言之所以能如此迅速地普及，顯示出如此旺盛的生命力，是由于它有 著不同于其他語言的特點(diǎn)。正如同F(xiàn)ORTR

11、AN和C等高級語言使人們擺脫了需 要直接對計(jì)算機(jī)硬件資源進(jìn)行操作一樣，被稱作為第四代計(jì)算機(jī)語言的 MATLAB,利用其豐富的函數(shù)資源，使編程人員從繁瑣的程序代碼中解放出來。 MATLAB的最突出的特點(diǎn)就是簡潔。MATLAB用更直觀的、符合人們思維習(xí)慣 的代碼，代替了 C和FORTRAN語言的冗長代碼。MATLAB給用戶帶來的是最 直觀、最簡潔的程序開發(fā)環(huán)境。以下簡單介紹一下MATLAB的主要特點(diǎn)。語言簡潔緊湊，使用方便靈活，庫函數(shù)極其豐富。MATLAB程序書寫形 式自由，利用其豐富的庫函數(shù)避開繁雜的子程序編程任務(wù)，壓縮了一切不必要的 編程工作。由于庫函數(shù)都由本領(lǐng)域的專家編寫，用戶不必?fù)?dān)心函數(shù)的

12、可靠性?？?以說，用MATLAB進(jìn)行科技開發(fā)是站在專家的肩膀上。具有FORTRAN和C等高級計(jì)算機(jī)語言知識的讀者可能己經(jīng)注意到，如果 用FORTRAN或C語言去編寫程序，尤其當(dāng)涉及矩陣運(yùn)算和畫圖時，編程會很 麻煩。例如，如果用戶想求解一個線性代數(shù)方程，就得編寫一個程序塊讀入數(shù)據(jù), 然后再使用一種求解線性方程的算法（例如追趕法）編寫一個程序塊來求解方程, 最后再輸出計(jì)算結(jié)果。在求解過程中，最麻煩的要算第二部分。解線性方程的麻 煩在于要對矩陣的元素作循環(huán)，選擇穩(wěn)定的算法以及代碼的調(diào)試都不容易。即使 有部分源代碼，用戶也會感到麻煩，且不能保證運(yùn)算的穩(wěn)定性。解線性方程的程 序用FORTRAN和C這樣的

13、高級語言編寫至少需要好幾十行。再如用雙步QR 方法求解矩陣特征值，如果用FORTRAN編寫，至少需要四百多行，調(diào)試這種兒 百行的計(jì)算程序可以說很困難。以下為用MATLAB編寫以上兩個小程序的具體 過程。用MATLAB求解下列方程，并求矩陣A的特征值。32 13 45 6723 79 85 12A=43 23 54 6598 34 71 35b_ 2U -3A3解為：x=Ab：設(shè)A的特征值組成的向量為e, e=eig (A)?？梢姡琈ATLAB的程序極其簡短。更為難能可貴的是，MATLAB甚至具有 一定的智能水平，比如上面的解方程，MATLAB會根據(jù)矩陣的特性選擇方程的 求解方法，所以用戶根本不

14、用懷疑MATLAB的準(zhǔn)確性。運(yùn)算符豐富。由于MATLAB是用C語言編寫的，MATLAB提供了和C 語言幾乎一樣多的運(yùn)算符，靈活使用MATLAB的運(yùn)算符將使程序變得極為簡短, 具體運(yùn)算符見附表。MATLAB既具有結(jié)構(gòu)化的控制語句(如for循環(huán)、while循環(huán)、break語句 和if語句)，乂有面向?qū)ο缶幊痰奶匦?。語法限制不嚴(yán)格，程序設(shè)計(jì)自由度大。例如，在MATLAB里，用戶無需 對矩陣預(yù)定義就可使用。程序的可移植性很好，基本.上不做修改就可以在各種型號的計(jì)算機(jī)和操作 系統(tǒng)上運(yùn)行。MATLAB的圖形功能強(qiáng)大。在FORTRAN和C語言里，繪圖都很不容易， 但在MATLAB里，數(shù)據(jù)的可視化非常簡單。M

15、ATLAB還具有較強(qiáng)的編輯圖形界 面的能力。MATLAB的缺點(diǎn)是，它和其他高級程序相比，程序的執(zhí)行速度較慢。由 于MATLAB的程序不用編譯等預(yù)處理，也不生成可執(zhí)行文件，程序?yàn)榻忉寛?zhí)行， 所以速度較慢。功能強(qiáng)勁的工具箱是MATLAB的另一重大特色©MATLAB包含兩個部分: 核心部分和各種可選的工具箱。核心部分中有數(shù)百個核心內(nèi)部函數(shù)。其工具箱乂 可分為兩類：功能性工具箱和學(xué)科性工具箱。功能性工具箱主要用來擴(kuò)充其符號 計(jì)算功能、圖示建模仿真功能、文字處理功能以及與硬件實(shí)時交互功能。功能性 工具箱能用于多種學(xué)科。而學(xué)科性工具箱是專業(yè)性比較強(qiáng)的，如control, toolbox, sig

16、nal processing toolbox> conunuiiication toolbox 等。這些工具箱都是由該領(lǐng)域內(nèi) 的學(xué)術(shù)水平很高的專家編寫的，所以用戶無需編寫自己學(xué)科范圍內(nèi)的基礎(chǔ)程序， 而直接進(jìn)行高、精、尖的研究。下表列出了 MATLAB的核心部分及其工具箱等 產(chǎn)品系列的主要應(yīng)用領(lǐng)域。2語音信號的產(chǎn)生與獲取一般來說，人的聽覺能感知的聲音頻率范圍為2020000Hz,在這一頻率范 圍內(nèi)可感知的聲音強(qiáng)度為。140dB,其中人耳比較敏感的區(qū)域在504000Hz。 因此，采集子系統(tǒng)的硬件參數(shù)可根據(jù)要分析的語音信號的頻率和強(qiáng)度來確定。筆 者設(shè)計(jì)的語音采集子系統(tǒng)是通過Realtek AC

17、97型聲卡和MATLAB的數(shù)據(jù)采集工 具箱實(shí)現(xiàn)的。其中Realtek Acf97型聲卡的采樣位數(shù)為16位，支持874.1 kHz的 采樣速率，可以滿足語音采集的硬件要求。MATLAB自帶的數(shù)據(jù)采集工具箱(Data Acquisition Toolbox)是為簡化和加 快數(shù)據(jù)采集工作而專門設(shè)計(jì)的，提供了一整套專門用于數(shù)據(jù)采集的命令和函數(shù)， 可用來直接控制與PC機(jī)兼容的數(shù)據(jù)采集設(shè)備的采集全過程。數(shù)據(jù)采集硬件設(shè)備 的內(nèi)部特性對MATLAB的接口是完全透明的，通過調(diào)用MATLAB函數(shù)和命令 可對其進(jìn)行訪問，并對其屬性進(jìn)行可視化監(jiān)控，而且對于采集的數(shù)據(jù)既可以進(jìn)行 實(shí)時分析，也可在存儲后再進(jìn)行處理，這樣既

18、方便了對實(shí)驗(yàn)測量數(shù)據(jù)的分析、比 較和可視化操作，乂提高了語音信號采集的質(zhì)晟和靈活性。配置好數(shù)據(jù)采集設(shè)備的參數(shù)后，使用start命令便可啟動聲卡開始語音信號 的采集。采集到的數(shù)據(jù)被暫時存放在PC機(jī)的內(nèi)存里，理論上可采集的最大數(shù)據(jù) 量是由PC機(jī)的內(nèi)存容量決定的，這一點(diǎn)相對于一般的數(shù)據(jù)采集系統(tǒng)而言有較強(qiáng) 的優(yōu)勢。MATLAB還可以記錄采集過程中出現(xiàn)錯誤，如出錯的時間、錯誤產(chǎn)生 的來源以及數(shù)據(jù)采集設(shè)備的狀態(tài)等信息都會被記錄下來作為以后工作的參考。采樣位數(shù)為16位，支持844.1kHz的采樣速率，可以滿足語音采集的硬件 要求口。Matlab自帶的數(shù)據(jù)采集工具箱里面，提供了專門用于語音采集的命令和函數(shù)。數(shù)

19、據(jù)采集的硬件設(shè)備的內(nèi)部特性對Matlab的接 口完全是透明的，通過調(diào)用Matlab提供的語音采集函數(shù)和命令可以對其進(jìn)行訪問。而且，Matlab可以對其采集的數(shù)據(jù)進(jìn)行實(shí)時的分 析，也可在存儲后再進(jìn)行處理。如圖2.1所示：圖2. 1錄取語音原理圖按照要求我一共制作了四個不同的語音信號，所采用的是Windows自帶的 錄音機(jī)，如圖2.2所示：圖2.2自帶錄音機(jī)經(jīng)過這個軟件的錄制，將產(chǎn)生wav格式的語音信號。1093語音信號的處理3.1 語音信號的時域分析3.1.1 語音信號的采集選擇一個wav文件作為分析的對象，可以利用Windows卜的錄音機(jī)或其他 軟件，錄制一段自己的話音，在MALAB中，y，f

20、s,bits=wavread(B即UNlN2D； 用于讀取語音，采樣值放在向量y中，fs表示采樣頻率(Hz), bits表示采樣位數(shù)。 N1 N2表示讀取的值從N1點(diǎn)到N2點(diǎn)的值。sound(y);用于對聲音的回放。向量y則就代表了一個信號，也即一個復(fù)雜 的“函數(shù)表達(dá)式”，也可以說像處理一個信號的表達(dá)式一樣處理這個聲音信號。下面是語音信號在MATLAB中的語言程序，它實(shí)現(xiàn)了語音的讀入與打開， 并繪出了語音信號時域波形，然后對語音信號進(jìn)行頻譜分析。在MATLAB中， 可以利用函數(shù)fit對信號進(jìn)行快速傅里葉變化，得到信號的頻譜特性。在頻譜特性中分析最大值的位置(可能有幾個)，它代表的頻率和時域的采

21、 樣時間有關(guān)，相鄰的兩點(diǎn)之間的距離為。其中，N是離散傅里葉變換用的點(diǎn)數(shù)， 是采樣的時間，前面在讀取wav文件時得到了采樣頻率。既然知道了該聲波的頻譜，按頻率就可以反演它的時域值，利用以上分析的 主要峰值來重構(gòu)聲波。由于沒有考慮相位和其他的頻譜分量，所以波形和原來的 波形相差甚大，但大體的頻率是沒有錯的。具體程序如下：clear;filename,filepath=uigetfile ('.wav', 1 Open wav file');v, fs, bits =v?avread (fiiepath, filename);n = 1: length (v);t = n/f

22、s;plot(t,v);axis (0 33.5 -1 1);xlabel(fTime secf);ylabel('amplitude');七itJLe 原始伯號，);set (gcf, fColorf, 1 1 1)sound(v,fs);pause(length (v)/fs);結(jié)果如圖2.1所示：圖3. 1原始語音3.1.2 語音信號的時域波形語音信號的時域分析就是分析和提取語音信號的時域參數(shù)。進(jìn)行語音分析 時，最先接觸到并且也是最直觀的是它的時域波形。語音信號本身就是時域信號, 因而時域分析是最早使用，也是應(yīng)用最廣泛的一種分析方法，這種方法直接利用 語音信號的時域波形。

23、時域分析通常用于最基本的參數(shù)分析及應(yīng)用，如語音的分 割、預(yù)處理、大分類等。這種分析方法的特點(diǎn)是：表示語音信號比較直觀、物 理意義明確。實(shí)現(xiàn)起來比較簡單、運(yùn)算且少?？梢缘玫秸Z音的一些重要的參 數(shù)。只使用示波器等通用設(shè)備，使用較為簡單等。語音信號的時域參數(shù)有短時能量、短時過零率、短時白相關(guān)函數(shù)和短時平均 幅度差函數(shù)等，這是語音信號的一組最基本的短時參數(shù)，在各種語音信號數(shù)字處 理技術(shù)中都要應(yīng)用6。在計(jì)算這些參數(shù)時使用的一般是方窗或漢明窗。對語音信號進(jìn)行分析，發(fā)現(xiàn)發(fā)濁音時，盡管聲道有若干個共振峰，但由于聲 門波引起譜的高頻跌落，所以其話音能量約集中在3kHz以下。而發(fā)清音時，多 數(shù)能量出現(xiàn)在較高頻率上

24、。高頻就意味著高的平均過零率，低頻意味著低的平均 過零率，所以可以認(rèn)為濁音時具有較低的過零率，而清音時具有較高的過零率。 當(dāng)然，這種高低僅是相對而言，并沒方精確的數(shù)值關(guān)系。其程序如下： %function fftoperate_Callback(hObject, eventdatar handles) y=handles.hdata;fs=handles.hfs;recordtime=handles.hrecordtime;ll=fs*recordtime;n=2;while n<llfn=n*2;endn=n/4;X=fft(yf n);X(1)=O;freq=fs*(O:(n/2-l

25、)/n;povzer=abs (X (1: n/2) ) . A2/ (length (X);maxpr i=max(power);set (handles.textfreqmax, f String1,freq (i);set (handles.textpowermax/ f String1,maxp);figureplot(freq,power,'g')其波形圖如圖2.2所示:原始信號波形-10300 r00511源始信得幅值2533.54甲唧叩叫州w邪,甲呷陽唧叫腳F時岫業(yè)岫岫他血恤疝岫。曲12001001500屏州喑 哥腳險(xiǎn)3000 3500 40004500Q人A 0

26、5001000圖3. 2原始信號波形3. 2原始信號的頻域分析信號頻譜分析是將信號源發(fā)出的信號強(qiáng)度按頻率順序展開，使其成為頻率的 函數(shù)，并考察變化規(guī)律。頻譜分析主要分析信號是由哪些頻率的正弦信號疊加得 到的，以及這些正弦信號的振幅。頻譜分析的意義可以說是很明確的，就是分析 信號的頻率構(gòu)成。更確切地說就是用來分析信號中都含有哪幾種正弦波成份。反 過來說就是，該信號可以用哪幾種頻率的正弦波來合成出來。對于頻譜分析的目的，如研究噪聲的頻譜是為了深入了解噪聲源的特性 幫助尋找主要的噪聲污染源，為噪聲控制提供依據(jù)。有關(guān)頻譜分析的應(yīng)用軟件和 方法，我們知道對信號進(jìn)行頻譜分析，往往對其進(jìn)行傅里葉變換，觀察其

27、頻譜幅 度與頻譜相位。傅里葉變換簡單通俗理解就是把看似雜亂無章的信號考慮成由一 定振幅、相位、頻率的基本正弦(余弦)信號組合而成，是將函數(shù)向一組正交的 正弦、余弦函數(shù)展開，傅里葉變換的目的就是找出這些基本正弦(余弦)信號中 振幅較大(能量較高)信號對應(yīng)的頻率，從而找出雜亂無章的信號中的主要振動 頻率特點(diǎn)。如減速機(jī)故障時，通過傅里葉變換做頻譜分析，根據(jù)各級齒輪轉(zhuǎn)速、 齒數(shù)與雜音頻譜中振幅大的對比，可以快速判斷哪級齒輪損傷。分析軟件主要為 Matlabo對于信號來說，分模擬信號與數(shù)字信號。對于模擬信號來說，往往對 其進(jìn)行抽樣，然后進(jìn)行快速傅里葉變換(度)，然后對其幅度(abs)和相位(angle)

28、 的圖像進(jìn)行分析。對于數(shù)字信號，則可直接進(jìn)行快速傅里葉變換。正弦波、方波、 三角波和白噪聲信號是實(shí)際工程測試中常見的典型信號，這些信號時域、頻域之 間的關(guān)系很明確，并且都具有一定的特性，通過對這些典型信號的頻譜進(jìn)行分析, 對掌握信號的特性，熟悉信號的分析方法大有益處，并且這些典型信號也可以作 為實(shí)際工程信號分析時的參照資料。其程序如下：fs=25600;當(dāng)語音信號采樣頻率為二560。x, fs, bits =v?avread (* C: Documents and Settings'Administrator'桌面 語音 音頻.wav*);sound (x, fs, bits)

29、 ;當(dāng)播放語音信號yl=fft (x, 4096) ;8對信號做 2048 點(diǎn) FFT 變換f=fs*(0:2047)/4096;figure(1)magyl=abs (yl);angyl=angle(yl);subplot (3, 1, 1) , plot (x) ;title原始信號波形，)subplot (3r 1, 2) / plot (magyl) ;title (f 原始信號幅值，) subplot (3, 1, 3) / plot (angyl) ; title (f 原始信號相位，) figure (2)freqz (x)+繪制原始語音信號的頻率響應(yīng)圖頻率響應(yīng)圖。figure(

30、3)plot(fr abs(yl(1:2048);tit"(，原始語音信號頻譜，) xlabel(* Hz1);ylabel(f fuduf);axis(0 4500 0 400)其頻譜圖如圖3.3所示：頻率響應(yīng)圖800.20.30.40.50.6070.80.91Normalized Frequency (xji rad/sample)0.20.30.40.50,6070.80.9Normalized Frequency (xn rad/sample)o o 。-610m 3.3原始信號頻譜圖4.1 盲信號處理的概述4.1.1 盲信號處理的基本概念肓信號處理是現(xiàn)代數(shù)學(xué)信號處理、算智

31、能學(xué)近年來迅速發(fā)展的重要方向。電 子信息、通信、生物醫(yī)學(xué)、圖像增強(qiáng)、雷達(dá)、地球物理信號處理等眾多領(lǐng)域有廣 泛的應(yīng)用前景。自信號處理就是利用系統(tǒng)（如無線信道、通信系統(tǒng)等）的輸出觀測數(shù)據(jù),通過某 種信號處理的手段，獲得我們感興趣的有關(guān)信息（如原來獨(dú)立發(fā)射的信號等）。盲信號的研究是當(dāng)前學(xué)術(shù)界的一個研究熱點(diǎn)，而盲信號分離則是盲信號研究 中的一個重要的課題。BSS是指從觀測到的混合信號中分離出未知的源信號。苜 信號中的“盲”意味著兩個方面：第一，對源信號一無所知或只有少許的先驗(yàn)知識。 第二，混合本身是未知的。這看似是一個不可能的任務(wù)，然而理論和實(shí)際都證實(shí) 了只需要相當(dāng)簡單的假設(shè)，就可以得到該問題的解。這

32、一特點(diǎn)使得BSS成為一 種功能相當(dāng)強(qiáng)大的信息處理方法。如圖4.1所示：X©混合矩陣Y©分離矩陣 噪聲向量圖4.1盲處理原理框圖4.1.2 盲信號處理的方法和分類在盲信號處理中，就源信號進(jìn)過傳輸通道的混合方式而言，其處理方法可分 10為線性瞬時混合信號盲處理、線性卷積混合信號盲處理和非線性混合信號盲處理 三類。根據(jù)通道傳輸特性中是否含有噪聲、噪聲特性（白噪聲、有色噪聲等）、噪 聲混合形式，可分為有噪聲、無噪聲盲處理，含加性噪聲和乘性噪聲混合信號盲 處理等。按源信號和觀測信號數(shù)目的不同可以將混合方式分為欠定、適定和超定情 況；按源信號特性的不同分為：平穩(wěn)、非平穩(wěn)、超高斯、亞高斯

33、、超高斯和 亞高斯混合分離等。盲處理的目的可分為盲辨識和盲源分離兩大類。盲辨識的目的是求得傳輸通 道混合矩陣（新型混合矩陣、卷積混合矩陣、非線性混合矩陣等）。自源分離的 目的是求得源信號的最佳估計(jì)。當(dāng)盲源分離的各分量相互獨(dú)立時，就稱為獨(dú)立分 量分析，即獨(dú)立分量分析是盲源分離的一種特殊情況。4.1.3信號處理技術(shù)的研究應(yīng)用近年來，自信號處理逐漸成為當(dāng)今信息處理領(lǐng)域中熱門的課題之一，并且已 經(jīng)在尤其在生物醫(yī)學(xué)工程、醫(yī)學(xué)圖像、語音增強(qiáng)、遙感、通信系統(tǒng)、地震探測、 地球物理學(xué)、計(jì)量經(jīng)濟(jì)學(xué)和數(shù)據(jù)挖掘等領(lǐng)域顯示出誘人的前景，特別是盲源分離 技術(shù)、ICA的不斷發(fā)展和應(yīng)用最為引人注目。下面介紹盲處理應(yīng)用中的兩

34、個主要 方而：1 .語音識別領(lǐng)域語音信號分離、語音識別是盲處理應(yīng)用的一個重要領(lǐng)域。最典型的應(yīng)用就是 聲控計(jì)算機(jī)，計(jì)算機(jī)所接受到的語音指令肯定是肯定是帶有各種環(huán)境噪聲的，還 可能存在其他的語音信號（如有其他人說話），而且這些信號源與接收器的相對 位置也未知，計(jì)算機(jī)需要在這種情況下識別出正確的語音命令。在移動通信中， 往往存在通信質(zhì)量問題，極大的影響了通話效果，而肓源分離或盲均衡技術(shù)能夠 消除噪聲、抑制干擾及增強(qiáng)語音，提高通話質(zhì)量。2 .生物醫(yī)學(xué)信號處理在生物醫(yī)學(xué)領(lǐng)域，肓信號處理可應(yīng)用心電圖（ECG）、腦電圖（EEG）信 號分離、聽覺信號分析、功能磁共振圖像（FMRI）分析等。例如人們常常需要 從

35、肌電圖中確定神經(jīng)元細(xì)胞信號的觸發(fā)模式，而EMG信號通常由多個特殊的傳 感器在人體表處測得，從信號源到傳感器之間的信號傳輸介質(zhì)參數(shù)是未知的，而 人們之間各不相同。目前己經(jīng)有一些學(xué)者將盲源分離技術(shù)成功地夠應(yīng)用于腦電圖 等信號的數(shù)據(jù)處理。4. 2盲源分離法4. 2.1源分離技術(shù)13盲源信號分離（Blind Source Separation, BSS）是20世紀(jì)90年代迅速發(fā)展起 來的一個研究領(lǐng)域。它具有可靠的理論基礎(chǔ)和許多方面的應(yīng)用潛力。其在生物 醫(yī)學(xué)工程、醫(yī)學(xué)圖像、語音增強(qiáng)、遙感、通信系統(tǒng)、地震探測等領(lǐng)域有著 廣泛而誘人的前景，盲源分離成為信號處理和神經(jīng)網(wǎng)絡(luò)領(lǐng)域的研究熱點(diǎn)。盲源分離是針對從檢測的

36、混合信號中估計(jì)或恢復(fù)源信號的問題提出的，是指源 信號、傳輸通道特性未知的情況下，僅由觀測信號和源信號的一些先驗(yàn)知識（如 概率密度）估計(jì)出源信號各個分量的過程。例如最著名的雞尾酒會問題，僅根據(jù) 多個麥克風(fēng)檢測信號分離或恢笈出某種語音源信號。5. 2. 2盲分離算法實(shí)現(xiàn)在實(shí)際的ICA肓分離算法應(yīng)用中,一般有時是必需的對觀測數(shù)據(jù)做一些預(yù)處 理技術(shù)，如用主成分分析（PCA）降維和白化，用濾波器進(jìn)行濾波降噪處理等。另 外，由于恢復(fù)準(zhǔn)則的局限以及先驗(yàn)知識的缺乏,盲信號分離方法只能得到源信號的 波形，而無法確定信號的幅值以及信號之間的順序。這兩點(diǎn)都需要人為的制定規(guī) 則（如規(guī)定信號的方差為1來確定幅值）來確定

37、。如圖4,2所示：圖4. 2盲信號分離基本原理框圖4. 2.3源分離技術(shù)的研究發(fā)展和應(yīng)用1986年，法國學(xué)者Jeanny Heiault和Christian Jutten提出遞回神經(jīng)網(wǎng)絡(luò)模 型和基于Hebb學(xué)習(xí)律的學(xué)習(xí)算法，以實(shí)現(xiàn)2個獨(dú)立源信號混合的分離。這一開 創(chuàng)性的論文在信號處理領(lǐng)域中揭開了新的一章，即肓源分離問題的研究。其后二十幾年來，對于盲信號分離問題，學(xué)者們提出了很多的算法，每種算 法都在一定程度上取得了成功。從算法的角度而言，BSS算法可分為批處理算 法和自適應(yīng)算法；從代數(shù)函數(shù)和準(zhǔn)則而言，乂分為基于神經(jīng)網(wǎng)絡(luò)的方法、基于高 階統(tǒng)計(jì)量的方法、基于互信息量的方法、基于非線性函數(shù)的方法等。

38、盡管國內(nèi)對 盲信號分離問題的研究相對較晚，但在理論和應(yīng)用方面也取得很大的進(jìn)展。清華 大學(xué)的張賢達(dá)教授在其1996年出版的時間序列分析高階統(tǒng)計(jì)量方法一 書中，介紹了有關(guān)盲分離的理論基礎(chǔ)，其后關(guān)于盲分離的研究才逐漸多起來。近 年來國內(nèi)各類基金支持了盲信號處理理論和應(yīng)用的項(xiàng)目，也成立了一些研究小 組。雖然盲源分離理論方法在最近20年已經(jīng)取得了長足的發(fā)展，但是還有許多 問題有待進(jìn)一步研究和解決。首先是理論體系有待完善。實(shí)際采用的處理算法或 多或少都帶有一些經(jīng)驗(yàn)知識，對于算法的穩(wěn)定性和收斂性的證明不夠充分。盲源 分離尚有大量的理論和實(shí)際問題有待解決，例如多維ICA問題、帶噪聲信號的 有效分離方法、如何更

39、有效地利用各種先驗(yàn)知識成功分離或提取出源信號、一般 性的非線性混合信號的盲分離、如何與神經(jīng)網(wǎng)絡(luò)有效地結(jié)合、源信號的數(shù)目大 于觀察信號的數(shù)目時ICA方法等。另外，盲源分離可同其他學(xué)科有機(jī)結(jié)合，如 模糊系統(tǒng)理論在盲分離技術(shù)中的應(yīng)用可能是一個有前途的研究方向；盲源分離 技術(shù)與遺傳算法相結(jié)合，可以減少計(jì)算復(fù)雜度，提高收斂速度。如何有效提高算 法對源信號統(tǒng)計(jì)特性的學(xué)習(xí)和利用也需要進(jìn)行深入研究。在硬件實(shí)現(xiàn)方面，自分 離問題也存在著極大的發(fā)展空間，例如用FPGA實(shí)現(xiàn)等。經(jīng)過人們將近20年的共同努力，有關(guān)盲分離的理論和算法得到了較快發(fā)展, 包括肓分離問題本身的可解性，以及求解原理等方面的基本理論問題在一定程

40、度上得到了解決，并提出了一些在分離能力、內(nèi)存需求、計(jì)算速度等方面性能各 異的n法。由于該問題的理論研究深度和算法實(shí)現(xiàn)難度都較大，目前對于盲分離的研究仍然很不成熟，難以滿足許多實(shí)際應(yīng)用需求，許多理論問題和算法實(shí) 現(xiàn)的相應(yīng)技術(shù)也有待進(jìn)一步探索。4. 3獨(dú)立成分分析獨(dú)立分量分析(Independent Component Aiialy2sis , ICA)是由 Herault 和 J utten在1983年提出，該方法不依賴與源信號類型相關(guān)的詳細(xì)知識或信號傳輸系 統(tǒng)特性的精確辨識,是一種有效的冗余取消技術(shù)，被廣泛應(yīng)用于盲源分離(blind source separation BSS),特征提取和盲解

41、卷、生理學(xué)數(shù)據(jù)分析語音信號處理、圖 像處理及人臉識別等領(lǐng)域。該方法根據(jù)代價函數(shù)的不同，可以得到不同的ICA算 法,如信息最大化(infomax)算法、Fast ICA算法、最大廊M E)和最小互信息(MM D算法、極大似然(ML)算法等。在統(tǒng)計(jì)學(xué)中，獨(dú)立成分分析或獨(dú)立分最分析(Independent components analysis,縮寫：ICA)是一種利用統(tǒng)計(jì)原理進(jìn)行計(jì)算的方法。它是一個線性變換。 這個變換把數(shù)據(jù)或信號分離成統(tǒng)計(jì)獨(dú)立的非高斯的信號源的線性組合。獨(dú)立成分 分析是盲信號分離(Blind source separation)的一種特例。4. 3.1獨(dú)立成分分析的定義ICA是一

42、種用來從多變國(多維)統(tǒng)計(jì)數(shù)據(jù)里找到隱含的閃素或成分的方法， 被認(rèn)為是主成分分析(Principal Component Analysis, PCA)和因子分析(Factor Analysis)的一種擴(kuò)展。對于盲源分離問題，ICA是指在只知道混合信號，而不 知道源信號、噪聲以及混合機(jī)制的情況下，分離或近似地分離出源信號的一種分 析過程。獨(dú)立成分分析(Independent Component Analysis, ICA)是近年來出現(xiàn)的一種 強(qiáng)有力的數(shù)據(jù)分析工具(Hyvarinen A, Karhunen J, Oja E, 2001; Roberts S J, Everson R, 2001

43、)o 1994年由Comon給出了 ICA的一個較為嚴(yán)格的數(shù)學(xué)定義, 其思想最早是由Herault和Jutten于1986年提出來的。ICA從出現(xiàn)到現(xiàn)在雖然時 間不長，然而無論從理論上還是應(yīng)用上，它正受到越來越多的關(guān)注，成為國內(nèi)外 研究的一個熱點(diǎn)。特別是從應(yīng)用角度看，它的應(yīng)用領(lǐng)域與應(yīng)用前景都是非常廣闊 15的，目前主要應(yīng)用F盲源分離、圖像處理、語言識別、通信、生物醫(yī)學(xué)信號處理、 腦功能成像研究、故障診斷、特征提取、金融時間序列分析和數(shù)據(jù)挖掘等。盲源分離技術(shù)是近二十年發(fā)展起來的一門新型科學(xué)，在各國科學(xué)家和研究人 員的努力下獲得了充分的發(fā)展，但是ICA的研窕方興未艾，它畢竟是一個涉及 面廣并且仍處

44、于發(fā)展前沿的課題，在理論上還遠(yuǎn)沒有成熟，許多問題有待進(jìn)一步 研究和解決。(1)帶噪混合信號的盲分離問題。自信號處理中的未知條件太多，混合信號 含有噪聲的情況下的盲源分離問題解決起來是相當(dāng)困難的。盡管目前己有部分算 法對存在噪聲的情況表現(xiàn)出了良好的性能，但由于噪聲種類繁多，因此處理起來 仍很棘手?，F(xiàn)有的大多數(shù)盲源分離或自解卷積算法都假設(shè)不含噪聲或者把噪聲看 作是一個獨(dú)立的信源信號來處理。(2)非平穩(wěn)混合信號的盲源分離算法。許多情況下源信號可能是非平穩(wěn)的， 如何利用信號的非平穩(wěn)特性進(jìn)行盲源分離是擺在廣大研究人員面前的一個現(xiàn)實(shí) 問題。(3)卷積混合信號的盲源分離算法。在實(shí)際中，系統(tǒng)接收到的混合輸入信

45、號 是源信號經(jīng)過不同的傳播途徑到達(dá)接收器。在這個過程中，不可避免的存在信號 的時延和反射。針對這種情況的盲源分離算法還很不成熟。(4)ICA的推廣應(yīng)用。在算法應(yīng)用方面，ICA可以取得進(jìn)一步的發(fā)展，如可 以在語音識別、圖像處理、特征提取、醫(yī)學(xué)信號處理方面作進(jìn)一步的研究。目前 的關(guān)鍵的問題是如何將理論算法轉(zhuǎn)化為實(shí)際應(yīng)用，以及如何建立更加符合實(shí)際情 況的模型等。(5)算法的收斂性。算法全局收斂性的研究，可以考慮將遺傳算法、混沌算 法等具有全局收斂性的優(yōu)化算法和ICA結(jié)合起來，提高算法的全局收斂性。4. 3.2 ICA的基本原理(1)無噪聲的ICA模型ICA作為生成模型的估計(jì)給定隨即變量的一組觀測不(

46、)0«)«).4。)， 其中t是時間或者樣本標(biāo)號，假設(shè)它們有獨(dú)立成分線性混合而產(chǎn)生：天x3(t)S式t)s3(t)%式中，A是某個未知矩陣。用向量矩陣符號方式表示通常比上面的求和表達(dá)式更為方便。用隨機(jī)向量x 來表示混合向量，其元素分別為,同樣地，用s來表示元素牛冬,用矩 陣A表示那些混合系數(shù)a"。所有的向量都理解為列向量：這樣必或者稱x的轉(zhuǎn) 置就是一個行向量。利用向量和矩陣符號表示，混合模型可以寫為：X二 A：（2）有時我們需要使用矩陣A中的列向量，如果將其表示為,則模型也可以寫為:（2）有噪聲的ICA模型將基本的ICA模型擴(kuò)展到有噪聲的情形，并且假設(shè)噪聲是以加性

47、噪聲形式 存在的。這是一個相當(dāng)現(xiàn)實(shí)的假設(shè)，因?yàn)榧有栽肼暿且蜃臃治龊托盘柼幚碇型ǔ?研究的標(biāo)準(zhǔn)形式，具有簡單的噪聲模型表達(dá)方式。因此，噪聲ICA模型可表示 為：x = As + n式中，口=嗎，是噪聲向量。信號源噪聲，即直接添加到獨(dú)立成分（即信號源）上的噪聲。信號源噪聲可 用與式（2.1）稍有差別的下式來表示：x= A(s + n)實(shí)際上，如果可以直接考慮帶噪聲的獨(dú)立成分，那么可將此模型寫為:As可以看出，這就是基本的ICA模型，只是獨(dú)立成分本身變了。104. 3. 3本文對ICA的研究目的及實(shí)現(xiàn)獨(dú)立分量分析的含義是把信號分解成若干個互相獨(dú)立的成分，它是為了解決 盲信號分離的問題而發(fā)展起來的。如

48、果信號本來就是由若干獨(dú)立信源混合而成 的，ICA就能恰好把這些信源分解開來。故在一般的文獻(xiàn)中通常把ICA等同于 BSS, ICA不同于主分量分析把目光投注于信號的二階統(tǒng)計(jì)量，研究信號間的相 關(guān)關(guān)系，而是基于信號的高階統(tǒng)計(jì)量，研究信號間的獨(dú)立關(guān)系。原始信號如圖 4.3所示:圖4. 3原始信號21混合信號如圖4,4所示：0.020-0.02圖4. 5矩陣A參數(shù)0500 1000 1500 2000 2500 3000 3500 4000 4500 5sample圖4. 4混合信號獨(dú)立成分分析方法能夠基于信息的的獨(dú)立性來估計(jì),這樣我們就能從混 合信號不，毛，瑪中分離出三個原始信號0，與（力與。該仿真

49、的混合矩陣是由計(jì)算機(jī)在ICALAB工具箱環(huán)境下產(chǎn)生的，參數(shù)如4.5 所示:即該矩陣為一個4x4的方陣:-1.0000 -1.0000-0.5250 -3.4057A 二-1.0000 -1.00001.0000 -1.00000.1582 -2.60941.0000 1.00002.2949-1,1210 0.8096 -3.9043根據(jù)所求矩陣可得混合矩陣波形圖如圖4.6所示:圖4. 6混合矩陣波形圖已知混合矩陣與混合信號，根據(jù)ICA算法可以得到分離信號，如圖4.7所示:1000 1500 2000 2500 3000 3500 4000 4500 5000分離值號110001500 200

50、025003000 3500 4000 45005000分離信號2100015002000250030003500400045005000分離信號3II ' IIIIII1000 1500 2000 2500 3000 3500 4000 4500 5000分囪崗4sample圖4. 7分離信號4. 3.4分離結(jié)果分析我們分別使用 FastICaA 算法對 Dkiunarl.wav ,Ganeshl.wav, Ganesh2.wav, Kath2.wav作為源信號的混檢進(jìn)行盲分離試驗(yàn)，從中分離出的四個源信號的近似 值yl, y2, y3和y4,這種算法在ICALAD中的實(shí)現(xiàn)方式如圖4.

51、8所示：ICALAB for Signal ProcessingToolbox for ICA, BSS, BSEInpul (sensor) siyn«lsOutput signalsView |No o1 subriots on ore pbt47FLOTCLOSESAVEMonte Carlo Analysts匚8力 |EXIT圖4. 8 FPICA算法在ICA工具箱的實(shí)現(xiàn)原始語音信號、混合后的語音信號、分離后的語音信號時域圖分別如圖4.9、圖4.10和圖4.11所示：. 020406080100120140160圖4. 9原始信號時域圖圖4.10混合后語音信號時域圖圖4. 1

52、1分離后語音信號時域圖0-)435小結(jié)體會肓源分離算法是肓源分離問題的核心，本文研究了現(xiàn)有的幾種肓源分離算 法，并在這些算法的基礎(chǔ)上結(jié)合具體應(yīng)用于語音信號的噪聲處理,對其加以改進(jìn), 給出了新的算法。論文的主要工作如下：i.研究獨(dú)立成分分析的原理及其基本模型。傳統(tǒng)的選取肓源分離算法只適 用于單純超高斯信號（或者亞高斯信號）混合系統(tǒng)的分離，不適用于雜系混合（超高 斯和亞高斯信號）系統(tǒng)的分離。論文中的ICA主要應(yīng)用于語音信號噪聲的實(shí)現(xiàn)算 法，及目前的去除或抑制噪聲方法分析，引出獨(dú)立成分分析不能應(yīng)用于高斯信號 和非獨(dú)立信號，可用來抑制高斯噪聲。2.語音信號是一種非平穩(wěn)信號，本文研究了二階盲辨識（SOB

53、I）盲源分離 算法，快速定點(diǎn)（FastICA）算法以及約束獨(dú)立分量分析（CICA）算法，利用這三 種算法有效地解決了噪聲在語音信號中的分離問題，可以在不需要白化過程的情 況下，得到良好的分離效果。對算法進(jìn)行了計(jì)算機(jī)仿真，并將三種算法在不同噪 聲環(huán)境下的仿真結(jié)果進(jìn)行了比較。肓源分離技術(shù)正在不斷的發(fā)展，新的問題和算法層出不窮。雖然已經(jīng)有很多 成熟的盲源分離算法，但是，作者認(rèn)為還是有很多問題待于進(jìn)一步的研究和解決:Q）帶噪聲混合信號的盲分離問題。由于在盲信號處理中，存在太多的未知 條件，帶噪聲的混迭信號的自分離是十分困難的?，F(xiàn)在研究的大部分肓源分離或 者盲反卷積算法，都假設(shè)無噪聲的情況或者把噪聲看作

54、一個獨(dú)立的源信號，在高階統(tǒng)計(jì)方法中，由于高斯信號高階累計(jì)蜃為零，所以可以假設(shè)加性高斯 噪聲的存在，但是對于已有的自源分離算法在什么情況下可以應(yīng)用到一般的噪聲混迭模型，是有待解決的問題。（2）欠完備情形的盲源分離問題。無論是盲源分離還是盲解卷積，現(xiàn)存的大 多數(shù)算法都假設(shè)傳感器的數(shù)目大于或者等于源信號的個數(shù)，這是一種超完備 形。然而，傳感器數(shù)目少于信號源數(shù)目的欠完備問題也是需要解決的一大難題.此 外，在工程實(shí)際中，信號源的數(shù)目有可能隨時問動態(tài)變化，如何確定源的數(shù)目， 保證算法的有效也是一個亟待解決的問題。（3）非線性混合情形的盲源分離問題.本文主要研究的是源信號的線性混合模型，而非線性混合模型才更

55、具有一般性，對它的深入研究，也會使將來研 究的一個熱點(diǎn)問題。(4)盲源分離算法的實(shí)際應(yīng)用?，F(xiàn)有的一些算法由于速度太慢，達(dá)不到實(shí)時 要求，而無法應(yīng)用于實(shí)際問題中。在保證算法性能的條件下，降低算法的復(fù)雜性 提高計(jì)算效率，也是一個關(guān)于BSS的很重要的研究方向。當(dāng)前的語音信號盲分離算法所能解決的問題是有一定的適用范圍和限制條 件的，仍然處在實(shí)驗(yàn)室研究階段，使這些算法從實(shí)驗(yàn)室真正走向應(yīng)用還有很長的 研究歷程。10附錄程序clc;clear all;close all;fs=1000;N=1024;t= (O:N-1) /fs;fl=60;f2=150;f3=200;Il=sin(2*pi*fl*t);I

56、2=cos(2*pi*f2*t);I3=randn (size (t);% I3=sin(2*pi*f3*t);subplot (4, 3, 1) , plot (II) z title輸入信號1，), axis (0, 100,-4, 4);subplot (4, 3, 2), plot (12), title (，輸入信號 2'), axis (0, 100,-4,4);subplot (4, 3, 3) , plot (13) r title輸入信號3'), axis ( 0,1。0, -4, 4);%將其組成矩陣S=I1;I2;I3;Sweight = rand(size(S, 1);MixedS=S,weight*S; %將混合矩陣?yán)镄屡帕胁⑤敵鰏ubplot (4,3,4), plot (MixedS (1,