【正文】 %做分離語音信號 2的 FFT頻譜圖 title(39。 plot(abs(y13(1:512))) %做分離語音信號 3的 FFT頻譜圖 title(39。)。)。)。) subplot(4,3,12),plot(t3),title(39。 t2=(MixedS39。 for j=1:2 % 選擇最大的主元向量并排序 for i=1:2 if D(i,i)D(i+1,i+1) tmp=D(i,i)。*Q*MixedS_bak % 計算 ICA后的矩陣 % fastICA分離語音信號 subplot(4,3,7),plot(ICAedS(1,:)),title(39。*b。 u=1。 % 隨機設置 b初值 b=b/norm(b)。)。 %3*1矩陣 for i=1:3 MixedS_mean(i)=mean(MixedS(i,:))。 武漢理工大學《信息處理課群綜合訓練與設計》報告 29 f=fs*(0:512)/1024?；旌险Z音信號 239。原始語音信號 yy139。 % 3x176401矩陣 Sweight=rand(size(S,1))。39。fastICA 分離語音信號 3 的 FFT 頻譜 39。fastICA 分離語音信號 2 的 FFT 頻譜 39。fastICA 分離語音信號 1 的 FFT 頻譜 39。 %語音信號采樣頻率為 52050 y11=fft(ICAedS(1,:),1024)。*V(:,3))39。V(:,i)=V(:,i+1)。fastICA 分離語音信號 239。*bOld)1)1e9 % 如果收斂，則 B(:,r)=b。 g=t.*exp(a2*t.^2/2)。 39。 numofIC=VariableNum。)。), subplot(4,3,8),plot(abs(y2)),title(39。), MixedS_bak=MixedS。) subplot(4,3,3),plot(S3),title(39。 %語音信號采樣頻率為 52050 y1=fft(S1,1024)。 S2=I2(1:150000)。)39。 語音信號是一種非平穩(wěn)信號，本文研究了快速定點 (FastICA)算法以及主分量分析算法（ PCA），利用這兩種算法能夠有效地實現 3 路語音信號中的分離問題，設計的 Matlab 實現得到良好的分離效果。 以上對 3 路語音信號 、 、選取混合矩陣對語音信號進行混合，并 從混合信號中分離出原語音信號，分別使用了 FASTICA 和 PCA 分離算法， 最后 畫出 各分離信號的時域波形和頻譜圖和原來的信號進行比較。此外還運用 PCA 算法進行了混合語音信號的分離實現，最終對兩種算法進行比較。 武漢理工大學《信息處理課群綜合訓練與設計》報告 15 從數理統計的角度來說，實際信號的大部分重要的信息往往包含在高階的統計特性中，因此只有當多變量觀測數據是由高斯分布的源信號構成時， PCA 方法才能用來實現信號的分離，這是由于服從正態(tài)分布的隨機過程的不相關性和統計獨立是等價的，用一階、二階統計特性就可以完全描述信號。假設 x 均值為零，即： E[x]=O。 PCA 主要用于數據降維，對于由一系列特征組成的多維向量，其中某些元素本身沒有區(qū)分性，比如某個元素在所有的樣本中都相等，或者彼此差距不大，那么這個元素本身就沒有區(qū)分性，如果用它做特征來區(qū)分，貢獻會非常小。 圖 31 FastICA算法流程圖 武漢理工大學《信息處理課群綜合訓練與設計》報告 13 概括來說， FastICA 算法主要包含兩部分 :預處理部分和核心算法部分。 去均值過程起到了簡化 ICA 算法的作用，白化也是信號源盲分離算法中一個經常用到的預處理方法，對于某些盲分離算法，白化還是一個必須的預處理過程。由于數據被球化，? ? IXXE T ? ,所以，因而雅可比矩陣變成了對角陣，并且能比較容易地求逆。這里，非高斯性給出的負熵 )( XWN Tg 的近似值來度量 , XWT 的方差約束為 1，對于白化數據而言，這等于約束 W 的范數為 1。它以負熵最大作為一個搜尋方向，可以實現順序地提取獨立源，充分體現了投影追蹤（ Projection Pursuit）這種傳統線性變換的思想， 由信息論理論可知：在所有等方差的隨機變量中，高斯變量的熵最大，因而武漢理工大學《信息處理課群綜合訓練與設計》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， 即負熵。 FastICA 算法能夠更科學 的去除元素組合之間的相關性，得到的元素組合比傳統方法更具有說服力。特征向量的選擇取決于協方差矩陣的特征值的大小。 武漢理工大學《信息處理課群綜合訓練與設計》報告 7 盲信號分離的兩種算法介紹 盲源分離在許 多領域中都有成功的應用，近十幾年來，受到了越來越多的重視，已經有大量的算法不斷地提出。)。 fprintf(39。 fs 是樣本采集頻率，為 8000Hz、 11025Hz、 22050Hz和 44100Hz 之一，默認值為 8000Hz； nbits 是每個樣本的位數， 8 位或 16 位，默認值為 8 位； ch：樣本采集通道， 1 為單聲道， 2 為雙聲道，默認值為 1（單聲道）； audiorecorder 對象創(chuàng)設后，就可以進行相應的錄音、暫停、停止、播放以及數據讀取等操作。 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。 為達到良好的學習效果，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 用混合聲音信號進行訓練學習，求出分離矩陣，編寫出相應的 matlab代碼。 關鍵字 ： 盲信號處理 語音信號 盲源分離 BSS 獨立分量分析 ICA技術 武漢理工大學《信息處理課群綜合訓練與設計》報告 2 Abstract Understanding the concept of blind signal processing (Blind Signal Processing, BSP), and master the voice of blind separation technology and the use of Matlab. This paper focuses on the background to the speech signal blind approach, mixed with the noise from the speech signal aliasing isolated individual voice source signal, to mimic the human voice separation ability. The 3way design with matlab voice signal acquisition, select the appropriate mixing matrix to generate a number of mixed signals. ICA technology bined with independent ponent analysis to select the mixing matrix for three voice signals are mixed and separated from the mixed signals out of the original speech signal, draw each separated signal timedomain waveform and frequency spectrum and pare the original signal. In addition, the use of PCA algorithm to achieve the separation of mixed speech signals, and ulti mately the two algorithms were pared. Keywords: blind signal processing speech signals blind source separation BSS independent ponent analysis ICA technology 武漢理工大學《信息處理課群綜合訓練與設計》報告 3 1 緒論 近年來，盲信號處理逐漸成為當今信息處理領域中熱門的課題之一，并且已經在尤其在、地震探測、移動通信、語音處理、陣列信號處理及生物醫(yī)學工程領域展現出誘人的應用前景。 （ 5）對結果進行對比分析。 指導教師簽名： 2020 年 6 月 10 日 系主任（或責任教師）簽名： 2020 年 6 月 10 日 武漢理工大學《信息處理課群綜合訓練與設計》報告 目 錄 摘要 ........................................................................................................................ 1 Abstract .................................................................................................................. 2 1 緒論 .................................................................................................................... 3 2 盲信號處理 BSP ............................................................................................. 4 盲信號處理 ................................................................................................... 4 盲分離處理 ........................................................................................ 4 Matlab 語音信號的采集 .............................................................................. 5 語音信號的采集方法 ........................................................................ 5 三路語音信號的采集 ........................................................................... 6 盲信號分離的兩種算法介紹 .......................................................................... 7 PCA 算法原理 ................................................................................... 7 獨立分量分析 ICA ............................................................................... 8 3 語音信號的分離方案設計 ................................................................................ 9 FASTICA 算法分離 ...........................................................