【正文】 個主要方面：語音處理，圖片處理，生物醫(yī)信號處理。本文主要學(xué)習(xí)的是語音的處理。 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。也是本文學(xué)習(xí)研究的重點。最典型的應(yīng)用就是聲控計機(jī)，計算機(jī)所接受到的語音指令肯定是帶有各種環(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，計算機(jī)需要在這 種情況下識別出正確的語音命令。 此次實踐主要目的在掌握 matlab 對語音的采集，了解盲處理的相關(guān)知識，掌握盲分離的原理，從而確定盲分離的方法，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。 為達(dá)到良好的學(xué)習(xí)效果，此次實踐有如下要求： （ 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 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。 通過此次實踐，加深的對 Matlab 功能的認(rèn)識，掌握了 Matlab 對語音信號的采集及處理，了解了盲分離的原理及運用，運用了合適的矩陣得到了混合信號，減少了計算量，同時達(dá)到了將得到的混合信號分離的目的，將前后信號進(jìn)行武漢理工大學(xué)《信息處理課群綜合訓(xùn)練與設(shè)計》報告 4 對比，了解了 Matlab 的處理效率。 2 盲信號處理 BSP 盲信號處理 盲信號處理作為 計算機(jī)智能學(xué)的核心研究的內(nèi)容，在生物醫(yī)學(xué)、醫(yī)療圖像、圖像增強、遠(yuǎn)程傳感、雷達(dá)與通信系統(tǒng)、地震勘測等方面均具有突出的作用。 盲處理的工作原理框圖如圖 21 所示： 圖 21 盲處理的工作原理框圖 其中 ,s(k)是未知源的信號向量， x(k)是混合信號向量（或觀測信號、傳感器檢測信號）， n(k)是 噪聲信號向量，混合信號向量經(jīng)過分離系統(tǒng)可以得到分離的信號，可與原信號比較。 盲分離處理 盲分離的算法比較多，此次選擇較為簡單的瞬時線性混疊盲分離，瞬時線性混疊數(shù)學(xué)模型如下 ： x(t)=As(t) （公式 21） y(t)=Wx(t) （公式 22） 其中 (1)式為混疊模型， (2)式為分離模型； s(t)=(s1(t),s2(t),?， Sn(t))T 為源信號未知的 m n 的混疊矩陣，源信號 s(t)也是未知的， W 為分離矩陣。瞬時線性混疊盲分離的目的就是通過調(diào)節(jié)分離矩陣 W（或混疊矩陣 A），使得分離信號與對應(yīng)的源信號的波形保持一致，即： 武漢理工大學(xué)《信息處理課群綜合訓(xùn)練與設(shè)計》報告 5 y(t)=PDs(t) （公式 23） 其中 P 為置換矩陣， D 為對角矩陣。 y(t)是對源信號 s(t)的估計，瞬時線性混疊盲分離問題允許存在兩個方面的不確定性： （ 1）排列順序的不確定性，無法了解所抽取的信號應(yīng)是源信號 s(t)為哪一個分量 . （ 2）信號幅度的不確定性，即無法知道源信號的真實幅值。 瞬時線性盲分離實現(xiàn)的數(shù)學(xué)模型如圖 22 所示，其中 LA 表示學(xué)習(xí)算法（ LearningAlgorithm）。 圖 22 瞬時線性盲分離實現(xiàn)的數(shù)學(xué)模型圖 Matlab 語音信號的采集 語音信號的采集方 法 在 Matlab 環(huán)境中 ,主要可以通過以下幾種方法驅(qū)動聲卡，采集語音信號 : Matlab 將聲卡作為對象處理 ,其后的一切操作都不與硬件直接相關(guān) ,而是通過對該對象的操作來作用于硬件設(shè)備（聲卡）。操作時首先要對聲卡產(chǎn)生一個模擬輸入對象 ,給對象添加一個通道設(shè)置采樣頻率后 ,就可以啟動設(shè)備對象 ,開始采集數(shù)據(jù) ,采集完成后停止對象并刪除對象。 wavrecord 功能函數(shù)采集語音信號。 wavrecord 功能函數(shù)只適用windows95/98/N 平臺，它使用 windows 聲音輸入設(shè)備 錄制聲音。 函數(shù)調(diào)用方式： wavrecord（ N， fs， ch， nbits），其中 N 采集的樣本數(shù)據(jù)量，fs 是樣本采集頻率有 8000Hz、 11025Hz、 22050Hz 和 44100Hz 幾個選項，默認(rèn)值武漢理工大學(xué)《信息處理課群綜合訓(xùn)練與設(shè)計》報告 6 為 11025Hz； ch是樣本采集通道， 1 為單聲道， 2 為雙聲道，默認(rèn)值為單聲道；nbits 是每個樣本的位數(shù)（或稱解析度）， double、 single 或 int1 uint8。 運用 audiorecorder 對象采集語音信號 audiorecorder（ fs， nbits， ch）可以創(chuàng)設(shè)一個 audiorecorder 對象。 fs 是樣本采集頻率，為 8000Hz、 11025Hz、 22050Hz和 44100Hz 之一，默認(rèn)值為 8000Hz； nbits 是每個樣本的位數(shù)， 8 位或 16 位，默認(rèn)值為 8 位； ch：樣本采集通道， 1 為單聲道， 2 為雙聲道，默認(rèn)值為 1（單聲道）； audiorecorder 對象創(chuàng)設(shè)后，就可以進(jìn)行相應(yīng)的錄音、暫停、停止、播放以及數(shù)據(jù)讀取等操作。 三路語音信號的采集 這次設(shè)計用 Matlab 程序采集三路語音信號，基本步驟如下：創(chuàng)建工程文件編寫程序 調(diào)試 運行 錄音，程序如下。在干擾噪聲很 小的環(huán)境下用麥克風(fēng)錄制進(jìn)行 3 段不同的語音文件，保存成 *.wav 文件。為了便于語音信號的盲分離要將這 3 段語音用軟件進(jìn)行處理使其文件大小一樣，仿真時所用的 3 段語音是 1， 2, ，3，時間是 5 秒，單通道。 clc。 fs=8000。 channel=1。 t=5。 fprintf(39。按任意鍵后開始 %d 秒錄音： 39。,t)。 Pause； fprintf(39。錄音中 ...39。)。%文字提示 y=wavrecord(t*fs, fs,channel,39。double39。)。%錄制語音信號 fprintf(39。錄音結(jié)束 \n39。)。%文字提示 wavwrite(y,fs,39。D:\Documents\Desktop\39。)。 %存儲錄音信號，先創(chuàng)建文件 在 matlab 中對上述語音信號進(jìn)行分析，接 下來對 3 段語音信號進(jìn)行的時域分析、頻譜分析。 武漢理工大學(xué)《信息處理課群綜合訓(xùn)練與設(shè)計》報告 7 盲信號分離的兩種算法介紹 盲源分離在許 多領(lǐng)域中都有成功的應(yīng)用，近十幾年來，受到了越來越多的重視，已經(jīng)有大量的算法不斷地提出。其算法可以大致的分為基于高階累積量的盲源分離、基于信息理論 的盲源分離和基 于神經(jīng)網(wǎng)絡(luò)的盲源分離三種類型。這三類也包含很多不同類型的算法，下面主要介紹本次設(shè)計要用到的 ICA 算法和 PCA算法。 PCA 算法原理 令 x 為表示環(huán)境的 m 維 隨機(jī)向量。假設(shè) x 均值為零，即： E[x]=O。令 w 表示為 m 維單位向量， x 在其上投影。這個投影被定義為向量 x 和 w 的內(nèi)積，表示為： 而主成分分析的目的就是尋找一個權(quán)值向量 w 使得表達(dá)式 E[y2]的值最大化 。 根據(jù)線性代數(shù)的理論，可以知道滿足式子值最大化的訓(xùn)應(yīng)該滿足下 式： 即使得上述式子最大化的 w 是矩陣 Cx 的最大特征值所對應(yīng) 的特征向量。特征向量的選擇取決于協(xié)方差矩陣的特征值的大小。經(jīng)過 PCA 分析，一個多變量的復(fù)雜問題被簡化為低維空間的簡單問題?？梢岳眠@種簡化方法進(jìn)行作圖，形象地表示和分析復(fù)雜問題。 武漢理工大學(xué)《信息處理課群綜合訓(xùn)練與設(shè)計》報告 8 獨立分量分析 ICA 對于盲源分離問題， 獨立分量分析 (Independent Component Analy2sis,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。 假設(shè)源信號若干個統(tǒng)計上相互獨立的信號組成的，它們在空間中形成交疊，獨立 分量分析 (Independent Component Analysis， ICA)是借助于多個信道同步觀察交疊信號，將觀察信號經(jīng)過解混分解成若干獨立成分，作為對源信號的一組估計，如圖 23所示： 圖 23 獨立分量分析法 可以假設(shè)： A 是線性系統(tǒng)可用矩陣表示，實際仿真時是隨機(jī)陣。且信道對信號無影響，觀察信道數(shù)與信號數(shù)相同 (A， B 方陣 )。 獨立分量分析 ICA 有多種算法，如基于代數(shù)結(jié)構(gòu)的 AMUSE,SOBI,JADE 以及基于信息論的 FastICA 和 Infomax。其中， FastICA 的收斂速度快，且有一定的精度保證。 FastICA 算法能夠更科學(xué) 的去除元素組合之間的相關(guān)性，得到的元素組合比傳統(tǒng)方法更具有說服力。 信 號 源1()st2()st3()st()Mst 混 合系 統(tǒng)A觀 察 信 號1()xt2()xt3()xt()Mxt 解 混矩 陣B估 計 信 號1()yt2()yt3()yt()Myt1信 道2信 道3信 道n信 道(t)S (t)X (t)Y武漢理工大學(xué)《信息處理課群綜合訓(xùn)練與設(shè)計》報告 9 3 語音信號的分離方案設(shè)計 FASTICA 算法分離 FastICA 算法是一種快速而數(shù)值穩(wěn)定的方法，采用擬牛頓算法實現(xiàn)尋優(yōu)，具有超線性收斂速度，通常收斂速度較梯度下降尋優(yōu)算法快得多；矩陣特征值分解盲分離方法通過對矩陣進(jìn)行特征分解或者廣義特征分解估計分離矩陣，是一種解析方法，可直接找到閉形式解，沒有迭代尋優(yōu)過程，因此運行速度很快 。 快速 ICA 算法，由于采用了定點迭代的思想，所以又稱固定點 (FixedPoint)算法或定點算法，是一種快速尋優(yōu)神經(jīng)網(wǎng)絡(luò)算法。 FastICA 算法的優(yōu)點如下： ， FastICA 收斂速度為 2 次以上，普通的 ICA 算法收斂僅為 1次。 ，而對于其他的算法來說，概率密度函數(shù)的估計不得不首先進(jìn)行。 ，類似于做投影追蹤，這在僅需要估計幾個（不是全部）獨立分量的情況 下，能減小計算量。 算法有許多神經(jīng)算 法的優(yōu)點，它是并行、分布式的且計算簡單，內(nèi)存要求很少，它的性能能夠通過選擇適當(dāng)?shù)姆蔷€性函數(shù)來最佳化。 基于負(fù)熵最大的快速 ICA FastICA 算法有基于峭度、基于似然最大、基于負(fù)熵最大等形式，這里，我們介紹基于負(fù)熵最大的 FastICA 算法。它以負(fù)熵最大作為一個搜尋方向，可以實現(xiàn)順序地提取獨立源，充分體現(xiàn)了投影追蹤（ Projection Pursuit）這種傳統(tǒng)線性變換的思想， 由信息論理論可知：在所有等方差的隨機(jī)變量中，高斯變量的熵最大，因而武漢理工大學(xué)《信息處理課群綜合訓(xùn)練與設(shè)計》報告 10 我們可以利用熵來度量非高斯性，常用熵的修正形式， 即負(fù)熵。根據(jù)中心極 限定理，若一隨機(jī)變量 X 由許多相互獨立的隨機(jī)變量 ? ?NiSi ,...3,2,1? 之和組成，只要iS 具有有限的均值和方差，則不論其為何種分布，隨機(jī)變量 X 較 iS 更接近高斯分布。換言之， iS 較 X 的非高斯性更強。因此，在分離過程中， 可通過對分離結(jié)果的非高斯性度量來表示分離結(jié)果間的相互獨立性，當(dāng)非高斯性度量達(dá)到最大時，則表明已完成對各獨立分量的分離。 負(fù)熵的定義： ? ? ? ? ? ?YHYHYN G a u s sg ?? （公式 31） 式中， GaussY 是一與 Y 具有相同方差的高斯隨機(jī)變量， ???H 為隨機(jī)變量的微分熵 ? ? ? ? ? ? ??? dppYH YY lg??? （公式 32） 根據(jù)信息理論， 在具有相同方差的隨機(jī)變量中，高斯分布的隨機(jī)變量具有最大的微分熵。當(dāng) Y 具有高斯分布時， ? ? 0?YNg ； Y 的非高斯性越強，其微分熵越小， ??YNg 值越大，所以 ??YNg 可以作為隨機(jī)變量 Y 非高斯性的測度。由于根據(jù)式（ ）計算微分熵需要 知道 Y 的概率密度分布函數(shù)，這顯然不切實際，于是采用如下近似公式： ? ? ? ?? ? ? ?? ?? ? 2G a u ssg YgEYgEYN ?? （公式 33） 其中， ???E 為均值運算； ???g 為非線性函數(shù)，可取 ? ? )tanh( 11 yayg ? ，或? ? ? ?2/e x p 22 yyyg ?? 或 ? ? 33 yyg ? 等非線性函數(shù)，這里， 21 1 ??a ，通常我們?nèi)?1?a 。 快速 ICA學(xué)習(xí)規(guī)則是找一個方向以便