卷積語音信號盲分離的頻域算法研究.pdf

1、現(xiàn)實環(huán)境下，語音信號經(jīng)常受到其他語音或噪聲的干擾，且麥克風拾取的信號為語音與干擾信號的卷積混合。因此，對受擾語音進行解卷積是語音增強的重要任務。盲源分離(BSS)是指源信號和傳輸信道參數(shù)都未知，僅由觀測信號恢復出源信號各個獨立成分的方法。由于對先驗知識要求低，盲源分離在語音增強中得到了廣泛關注?，F(xiàn)有的卷積混合語音信號的盲源分離分為時域方法和頻域方法。當混合濾波器階數(shù)較高時，時域方法需要學習的參數(shù)較多，造成計算時間長、難于收斂。相比之下，

2、頻域方法將時頻卷積變換為多個頻率段上的乘法運算，運算簡單，速度快，因此成為盲解卷的主流方法。但是，頻域算法必須解決BSS固有的順序不確定性問題，否則影響分離性能，這正是本文研究的關鍵。
　　 本文對卷積混合語音盲分離的頻域算法進行了研究。主要內(nèi)容包括：①研究了現(xiàn)有調(diào)序方法和語音信號的特性，提出了一種基于能量相關的調(diào)序方法，并應用JADE、KM、c-FastlCA和CMN等四種復數(shù)BSS算法，對仿真和實際語音信號進行了盲分離，分析

3、比較了分離性能，驗證了本文調(diào)序方法的有效性；②在CMN算法和約束優(yōu)化的框架下，將語音的能量相關特性直接引入盲分離過程，推導出了約束CMN的梯度算法和牛頓算法，將順序不確定問題在BSS過程中一并解決，利用仿真和實際語音信號進行的大量實驗表明，約束CMN算法的性能高于包括CMN在內(nèi)的全盲分離算法；③研究了影響卷積混合頻域算法分離性能的一些因素。主要針對不同的窗函數(shù)進行了仿真實驗，分析了語音信號的短時平穩(wěn)性和窗函數(shù)的作用；通過實驗分析，探索了