论文部分内容阅读
盲信号分离的应用领域越来越广泛,因此很多算法已经致力于如何分离出质量高的信号。本论文所要解决的问题是高质量分离信号的同时,提高算法的运算速度、降低算法的计算复杂度。主要从以下两大方面实现了高效盲分离算法。针对瞬时混合模型的盲分离,本论文提出直接用观测信号的频域幅值矩阵来求得分离矩阵,得到分离信号。此时,要求观测信号的频域幅值及频率要足够精确。因此,本论文引入了频谱校正的方法,即利用比值校正法对离散非密集谱校正的精确度高的优点,对得到的混合信号进行谱校正,由此得到精确的频域幅值及频率。为得到分离矩阵,需要对校正后的幅值矩阵聚类,将来自同一个源信号的各幅值向量聚在一起。由于混合矩阵的不确定性,聚类算法不能采用欧氏聚类,而是利用两向量之间的夹角进行聚类。由此,可得到分离矩阵,进而分离出各路源信号。实验表明:本论文所提出的基于频域幅值聚类算法分离的信号精确度高,计算复杂度很低,节省了计算时间。针对卷积混合模型的盲分离,本文提出了基于稀疏时频特征提取的盲分离算法。首先短时傅里叶变换将语音信号变换到时频域内,语音信号在时频域内的稀疏特性简化了盲分离算法,为去除各种噪声提供了便利。同时,短时傅里叶变换框架的高度冗余性及人耳的屏蔽效应为去除时频域内的冗余信息以减少特征模式聚类的数量、提高算法的计算速度提供了有力的理论依据。去除的冗余信息都不是组成各路源信号的主要分量,因此不会影响到盲信号分离的质量。本论文通过以上算法去除了94%~95%待聚类的特征模式数量。由此,节省了大量的计算量,加快了计算速度。本论文利用先验的传输模型,经过规范化获得的特征模式聚类与频率无关,由此,解决了卷积混合模型的次序不确定性问题。最后,通过时频掩蔽分离出各路源信号。通过对两种模型的盲分离算法研究可知,在保证分离信号的质量同时,算法的复杂度仍值得研究,这样节省了大量的资源及内存,加快了信号分离的速度,节省了时间,具有实际的工程意义。通过实验表明,本论文提出的盲信号分离算法可以同时实现分离信号的高质量与算法复杂度的降低。