【正文】 ............................ 9 基于負熵最大的快速 ICA ................................................................... 9 主分量分析 PCA .......................................................................................... 13 主成分分析原理 .............................................................................. 13 PCA 算法原理 .................................................................................... 14 主分量分析 PCA 和 ICA 比較 .................................................................... 14 4 語音信號的分離方案實現(xiàn) ............................................................................ 16 語音信號的混合 ........................................................................................... 16 語音信號的分離實現(xiàn) ................................................................................... 17 FASTICA 算法分離 .......................................................................... 17 主分量分析算法分離 ........................................................................ 18 分離語音頻譜分析及比較 ................................................................ 18 5 總結(jié) ................................................................................................................ 20 武漢理工大學(xué)《信息處理課群綜合訓(xùn)練與設(shè)計》報告 參考文獻 .............................................................................................................. 21 附錄 原始語音 Matlab 信號頻譜程序 ............................................................. 22 附錄 2 預(yù)處理部分 matlab 程序 ....................................................................... 27 附錄 3 算法的 matlab 程序 ............................................................................... 29 （ 1） FASTICA 算法 ................................................................................... 29 （ 2） PCA 算法分離 ..................................................................................... 31 武漢理工大學(xué)《信息處理課群綜合訓(xùn)練與設(shè)計》報告 1 摘要 了解盲信號處理（ Blind Signal Processing,BSP）的概念，并掌握語音盲分離技術(shù)和 Matlab 的運用。 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。 通過此次實踐，加深的對 Matlab 功能的認識，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，同時達到了將得到的混合信號分離的目的，將前后信號進行武漢理工大學(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。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。為了便于語音信號的盲分離要將這 3 段語音用軟件進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。 Pause； fprintf(39。)。 PCA 算法原理 令 x 為表示環(huán)境的 m 維 隨機向量。 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、噪聲以及混合機制的情況下，分離或近似地分離出源信號的一種分析過程。 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。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，當非高斯性度量達到最大時，則表明已完成對各獨立分量的分離。根據(jù)KuhnTucker 條件，在 ? ?? ? 122 ?? WXWE T 的約束下， ? ?? ?XWGE T 的最優(yōu)值能在武漢理工大學(xué)《信息處理課群綜合訓(xùn)練與設(shè)計》報告 11 滿足下式的點上獲得。39。這是由于一般情況下，所獲得的數(shù)據(jù)都具有相關(guān)性。計算主成分的目的是將高緯數(shù)據(jù)投影到較低維空間。 所以我們的做法就是求得一個 k 維特征的投影矩陣，這個投影矩陣可以將特征從高維降到低維。特征向量的選擇取決于協(xié)方差矩陣的特征值的大小。許多情況下 ICA 能夠提供比 PCA 更有意義的數(shù)據(jù)，而 PCA 僅在源信號為高斯分布時才能實現(xiàn) ICA。如果信號本來就是由若干獨立信源混合而成的， ICA 就能恰好把這些信源分解開來。 由上面的分離效果可以看出兩種算法都能夠?qū)旌闲盘栠M行分離，發(fā)現(xiàn)分離出來的語音信號和原來的信號的形狀大體一樣，順序和原來的都不一樣，信號的幅度有的增大了，有的減少了。 武漢理工大學(xué)《信息處理課群綜合訓(xùn)練與設(shè)計》報告 21 參考文獻 [1] 馬建倉 ．《 盲信號處理 》 . 國防工業(yè)出版社 , [2] 趙艷 .《 盲源分離與盲信號提取問題研究 》 . 西安 :西安理工大學(xué) . [3] 馬建芬 .《 語音信號分離與增強算法的研究 》 .電子工業(yè)出版社 . [4] 楊福生 .《 獨立分量分析的原理與應(yīng)用嗍 》 ．北京：清華大學(xué)出版社， 2020． [5] 楊行峻 《 人工神經(jīng)網(wǎng)絡(luò)與盲信號處理 》 .清華大學(xué)出版社 , 武漢理工大學(xué)《信息處理課群綜合訓(xùn)練與設(shè)計》報告 22 附錄 原始語音 Matlab信號 頻譜程序 %（ 1）預(yù)處理 clc。)39。S2。 f=fs*(0:511)/1024?；旌险Z音信號 139。 %對信號做 1024 點 FFT 變換 y2=fft(MixedS(2,:),1024)?；旌险Z音信號 3FFT 頻譜 39。 % Q 為白化矩陣 MixedS_white=Q*MixedS。 % 設(shè)置最大迭代次數(shù)（即對于每個獨立分量而言迭代均不超過此次數(shù)） IterationsNum=0。 end bOld=b。*g*b+u*X*g)/SampleNummean(dg)*b。 end B(:,r)=b。) %（ 2） PCA 算法分離 [V,D]=eig(MixedS_cov)。 end end end %PCA 算法語音分離 t1=(MixedS39。) subplot(3,3,2),plot(t2),title(39。 plot(ICAedS(1,:)) %做分離語音信號 1 的 時域圖形 title(39。 plot(ICAedS(2,:)) %做分離語音信號 2 的時域圖形 title(39。 plot(ICAedS(3,:)) %做分離語音信號 3 的時域圖形 title(39。 close all。39。 %語音信號采樣頻率為 52050 y1=fft(S1,1024)。) subplot(4,3,3),plot(S3),title(39。), MixedS_bak=MixedS。), subplot(4,3,8),plot(abs(y2)),title(39。)。 numofIC=VariableNum。 39。 g=t.*exp(a2*t.^2/2)。*bOld)1)1e9 % 如果收斂，則 B(:,r)=b。fastICA分離語音信號 239。V(:,i)=V(:,i+1)。*V(:,3))39。 %語音信號采樣頻率為 52050 y11=fft(ICAedS(1,:),1024)。fastICA分離語音 信號 1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 3的 FFT頻譜 39。fastICA分離語音信號 339。fastICA分離語音信號 239。fastICA分離語音信號 139。PCA分離語音信號 239。*V(:,1))39。 % 協(xié)方差矩陣對角化 Vtmp=zeros(size(V,1),1)。 % 保存所得向量 b end %fastICA算法語音分離 ICAedS=B39。 % 核心公式 b=bB*B39。 a2=1。 b=rand(numofIC,1)。 % MixedS_white為白化后的矩陣 IsI=cov(MixedS_white39。), %（ 2）歸一化處理 MixedS_mean=zeros(3,1)。 y3=fft(MixedS(3,:),1024)。), subplot(4,3,5),plot(MixedS(2,:)),title(39。 figure(1) subplot(4,3,1),plot(S1),title(39。S3]。 S2=wavread (39。 plot(abs(y13(1:512))) %做分離語音信號 3 的 FFT 頻譜圖 title(39。 plot(abs(y12(2:512))) %做分離語音信號 2 的 FFT 頻譜圖 title(39。 plot(abs(y11(1:512))) %做分離語音信號 1 的 FFT 頻譜圖 武漢理工大學(xué)《信息處理課群綜合訓(xùn)練與設(shè)計》報告 27 title(39。) %分離后語音信號時域波形圖和頻域頻譜 fs=52050。 t3=(MixedS39。 D(i,i)=D(i+1,i+1)。) subplot(4,3,11),plot(ICAedS(2,:)),title(39。 if abs(abs(b39。*b。\n 第 %d 分 量 在 %d 次 迭 代 內(nèi) 并 不 收 斂 。 % 以下算法將對 X 進行操作 [VariableNum,SampleNum]=size(X)。 end end %（ 3）白化