【正文】 %做分離語(yǔ)音信號(hào) 2的 FFT頻譜圖 title(39。 plot(abs(y13(1:512))) %做分離語(yǔ)音信號(hào) 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(jì)算 ICA后的矩陣 % fastICA分離語(yǔ)音信號(hào) subplot(4,3,7),plot(ICAedS(1,:)),title(39。*b。 u=1。 % 隨機(jī)設(shè)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(xué)《信息處理課群綜合訓(xùn)練與設(shè)計(jì)》報(bào)告 29 f=fs*(0:512)/1024。混合語(yǔ)音信號(hào) 239。原始語(yǔ)音信號(hào) yy139。 % 3x176401矩陣 Sweight=rand(size(S,1))。39。fastICA 分離語(yǔ)音信號(hào) 3 的 FFT 頻譜 39。fastICA 分離語(yǔ)音信號(hào) 2 的 FFT 頻譜 39。fastICA 分離語(yǔ)音信號(hào) 1 的 FFT 頻譜 39。 %語(yǔ)音信號(hào)采樣頻率為 52050 y11=fft(ICAedS(1,:),1024)。*V(:,3))39。V(:,i)=V(:,i+1)。fastICA 分離語(yǔ)音信號(hào) 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(yǔ)音信號(hào)采樣頻率為 52050 y1=fft(S1,1024)。 S2=I2(1:150000)。)39。 語(yǔ)音信號(hào)是一種非平穩(wěn)信號(hào)，本文研究了快速定點(diǎn) (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(shí)現(xiàn) 3 路語(yǔ)音信號(hào)中的分離問(wèn)題，設(shè)計(jì)的 Matlab 實(shí)現(xiàn)得到良好的分離效果。 以上對(duì) 3 路語(yǔ)音信號(hào) 、 、選取混合矩陣對(duì)語(yǔ)音信號(hào)進(jìn)行混合，并 從混合信號(hào)中分離出原語(yǔ)音信號(hào)，分別使用了 FASTICA 和 PCA 分離算法， 最后 畫(huà)出 各分離信號(hào)的時(shí)域波形和頻譜圖和原來(lái)的信號(hào)進(jìn)行比較。此外還運(yùn)用 PCA 算法進(jìn)行了混合語(yǔ)音信號(hào)的分離實(shí)現(xiàn)，最終對(duì)兩種算法進(jìn)行比較。 武漢理工大學(xué)《信息處理課群綜合訓(xùn)練與設(shè)計(jì)》報(bào)告 15 從數(shù)理統(tǒng)計(jì)的角度來(lái)說(shuō)，實(shí)際信號(hào)的大部分重要的信息往往包含在高階的統(tǒng)計(jì)特性中，因此只有當(dāng)多變量觀測(cè)數(shù)據(jù)是由高斯分布的源信號(hào)構(gòu)成時(shí)， PCA 方法才能用來(lái)實(shí)現(xiàn)信號(hào)的分離，這是由于服從正態(tài)分布的隨機(jī)過(guò)程的不相關(guān)性和統(tǒng)計(jì)獨(dú)立是等價(jià)的，用一階、二階統(tǒng)計(jì)特性就可以完全描述信號(hào)。假設(shè) x 均值為零，即： E[x]=O。 PCA 主要用于數(shù)據(jù)降維，對(duì)于由一系列特征組成的多維向量，其中某些元素本身沒(méi)有區(qū)分性，比如某個(gè)元素在所有的樣本中都相等，或者彼此差距不大，那么這個(gè)元素本身就沒(méi)有區(qū)分性，如果用它做特征來(lái)區(qū)分，貢獻(xiàn)會(huì)非常小。 圖 31 FastICA算法流程圖 武漢理工大學(xué)《信息處理課群綜合訓(xùn)練與設(shè)計(jì)》報(bào)告 13 概括來(lái)說(shuō)， FastICA 算法主要包含兩部分 :預(yù)處理部分和核心算法部分。 去均值過(guò)程起到了簡(jiǎn)化 ICA 算法的作用，白化也是信號(hào)源盲分離算法中一個(gè)經(jīng)常用到的預(yù)處理方法，對(duì)于某些盲分離算法，白化還是一個(gè)必須的預(yù)處理過(guò)程。由于數(shù)據(jù)被球化，? ? IXXE T ? ,所以，因而雅可比矩陣變成了對(duì)角陣，并且能比較容易地求逆。這里，非高斯性給出的負(fù)熵 )( XWN Tg 的近似值來(lái)度量 , XWT 的方差約束為 1，對(duì)于白化數(shù)據(jù)而言，這等于約束 W 的范數(shù)為 1。它以負(fù)熵最大作為一個(gè)搜尋方向，可以實(shí)現(xiàn)順序地提取獨(dú)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(jì)》報(bào)告 10 我們可以利用熵來(lái)度量非高斯性，常用熵的修正形式， 即負(fù)熵。 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(shuō)服力。特征向量的選擇取決于協(xié)方差矩陣的特征值的大小。 武漢理工大學(xué)《信息處理課群綜合訓(xùn)練與設(shè)計(jì)》報(bào)告 7 盲信號(hào)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(lái)，受到了越來(lái)越多的重視，已經(jīng)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(rèn)值為 8000Hz； nbits 是每個(gè)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(duì)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。 y(t)是對(duì)源信號(hào) s(t)的估計(jì)，瞬時(shí)線性混疊盲分離問(wèn)題允許存在兩個(gè)方面的不確定性： （ 1）排列順序的不確定性，無(wú)法了解所抽取的信號(hào)應(yīng)是源信號(hào) s(t)為哪一個(gè)分量 . （ 2）信號(hào)幅度的不確定性，即無(wú)法知道源信號(hào)的真實(shí)幅值。 為達(dá)到良好的學(xué)習(xí)效果，此次實(shí)踐有如下要求： （ 1）用 matlab 做出采樣之后語(yǔ)音信號(hào)的時(shí)域和頻域波形圖 （ 2）選擇合適的混合矩陣，得到混合信號(hào)，并做出其時(shí)域波形和頻譜圖 （ 3） 采 用混合聲音信號(hào)進(jìn)行訓(xùn)練學(xué)習(xí)，求出分離矩陣，編寫(xiě)出相應(yīng)的 matlab代碼。 關(guān)鍵字 ： 盲信號(hào)處理 語(yǔ)音信號(hào) 盲源分離 BSS 獨(dú)立分量分析 ICA技術(shù) 武漢理工大學(xué)《信息處理課群綜合訓(xùn)練與設(shè)計(jì)》報(bào)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(xué)《信息處理課群綜合訓(xùn)練與設(shè)計(jì)》報(bào)告 3 1 緒論 近年來(lái)，盲信號(hào)處理逐漸成為當(dāng)今信息處理領(lǐng)域中熱門(mén)的課題之一，并且已經(jīng)在尤其在、地震探測(cè)、移動(dòng)通信、語(yǔ)音處理、陣列信號(hào)處理及生物醫(yī)學(xué)工程領(lǐng)域展現(xiàn)出誘人的應(yīng)用前景。 （ 5）對(duì)結(jié)果進(jìn)行對(duì)比分析。 指導(dǎo)教師簽名： 2020 年 6 月 10 日 系主任（或責(zé)任教師）簽名： 2020 年 6 月 10 日 武漢理工大學(xué)《信息處理課群綜合訓(xùn)練與設(shè)計(jì)》報(bào)告 目 錄 摘要 ........................................................................................................................ 1 Abstract .................................................................................................................. 2 1 緒論 .................................................................................................................... 3 2 盲信號(hào)處理 BSP ............................................................................................. 4 盲信號(hào)處理 ................................................................................................... 4 盲分離處理 ........................................................................................ 4 Matlab 語(yǔ)音信號(hào)的采集 .............................................................................. 5 語(yǔ)音信號(hào)的采集方法 ........................................................................ 5 三路語(yǔ)音信號(hào)的采集 ........................................................................... 6 盲信號(hào)分離的兩種算法介紹 .......................................................................... 7 PCA 算法原理 ................................................................................... 7 獨(dú)立分量分析 ICA ............................................................................... 8 3 語(yǔ)音信號(hào)的分離方案設(shè)計(jì) ................................................................................ 9 FASTICA 算法分離 ...........................................................