论文部分内容阅读
盲分离(Blindsignalseparation，BSS)技术是现代信号处理领域中一个崭新的研究方向。目前已广泛应用于语音信号处理、图像处理、多用户通信、阵列信号处理及医学信号处理等许多领域。目前解决盲分离问题主要利用独立成分分析(Independentcomponentanalysis，ICA)方法提取相互统计独立的源信号。ICA这种特性不仅能够进行信号的盲分离，而且能够提取信号的高阶统计特征，同时，这些高阶统计特征又能更好的应用于信号的盲分离。目前，对实录声信号的盲分离、去噪和单通道盲分离等处理仍存在着许多问题和困难值得探讨，这些问题的解决势必会给声信号的检测带来重大的实用价值。本文着重研究ICA在声信号瞬时线性盲分离、卷积盲分离、强背景噪声下信号的去噪及单通道盲分离中的应用。归纳起来，本文的主要工作有：
研究现有瞬时线性盲分离算法及各准则之间的等价关系。对于算法无法分离具有复杂分布的源信号，或同时包含超高斯和亚高斯信号的杂系混合信号，本文着重研究了基于概率密度估计的盲分离算法，提出将泛化高斯模型、混合高斯模型及非参数估计方法用于ICA算法中源信号概率密度函数的估计。对水声信号、同系混合语音信号及杂系混合信号的盲分离都较传统的方法提高了分离效果。
对实录语音信号这一卷积混合的盲分离问题，本文在研究时域盲分离算法的基础上，将基于概率密度估计的ICA算法应用到时域的卷积信号盲分离中。另外，本文着重研究了频域盲解卷积算法，推导了复数FastICA算法，并将其应用到实录声信号的盲分离中。与时域盲分离方法比较大大提高了盲分离的精度和收敛速度，增强了实用性。
基于ICA能够提取信号高阶统计结构的特性，本文结合ICA基函数做了两方面的工作：一、强背景噪声环境下声信号的去噪，首先研究了语音、音乐及水声信号的ICA基函数特性，针对现有基于ICA特征的去噪方法在去除噪声的同时也去除了大量有用信息的缺陷，提出了基于非线性阈值函数的去噪方法。其次，对于现有算法均需要事先对无噪情况下的源信号进行ICA特征提取的缺陷，本文提出了基于含噪系数的最大似然估计方法，使得在无法获取无噪源信号的情况下信号的去噪成为可能，并且与传统的去噪方法比较该算法大大提高了去噪的效果。二、单通道观测信号的盲分离。对于盲分离问题中较为棘手的也是实际应用中较为常见的单通道问题，本文基于ICA基函数研究了解决单通道盲分离问题的方法，提出了以ICA基函数作为滤波器的极大似然方法，较好的解决了频域内相互重叠的语音与音乐信号的单通道盲分离问题。
本文的创新点主要体现在：1.提出了3种基于概率密度函数估计的盲分离方法：基于泛化高斯模型(GGM)的极大似然算法、基于高斯混合模型(GMM)的最大熵算法以及基于非参数概率密度估计的最大熵算法。解决了分布复杂的源信号以及杂系混合信号的盲分离问题。
2.对于实录语音信号盲分离问题，提出了基于复数FastICA的频域卷积信号盲分离算法。该算法解决了时域算法迭代时间长、实时性差的问题。通过对实录语音信号及水声信号的卷积盲分离实验证明了该算法运算速度快、精度高的特性，大大增强了算法的实用性。
3.提出将ICA特征提取方法用于水声信号的高阶统计结构特征提取中。证明了低频段船舶辐射噪声信号的ICA基函数在时域和频域中均具有局部特性，且明显区别于海洋环境噪声信号。同时，经ICA变换后信号的稀疏性强于传统的几种特征提取方法。
4.提出了基于含噪系数极大似然估计的非线性阈值函数去噪方法。并在此基础上，进一步提出将基于GGM的ICA特征提取方法直接用于含噪信号的基函数提取，解决了在无法获取无噪源信号的情况下信号的去噪问题。通过语音及水声信号的仿真实验证实了这种方法优于均值滤波和小波去噪方法。
5.提出了以ICA基函数作为滤波器的单通道盲分离方法。以极大似然函数为代价函数推导出了单通道观测信号的盲分离学习规则。解决了传统的基于频域的盲分离方法只能分离源信号在频域中不相互重叠的缺陷，同时也弥补了基于二阶相关性的时域基函数无法有效表征声音信号的不足。语音与音乐信号的单通道盲分离仿真实验证实了算法的有效性。