【正文】 在實(shí)際的計(jì)算式只涉及到輸入數(shù)據(jù)概率分布函數(shù)的二階統(tǒng)計(jì)特性（僅利用到信號(hào)的協(xié)方差矩陣），所以分解出的各分量相互正交，主分量之間并不一定不相關(guān)，所以并不滿足 ICA 方法對(duì)輸入信號(hào)的獨(dú)立要求。 分離語音頻譜分析及比較 在 MATLAB 中畫出 、 、 這三段語音信號(hào)原始信號(hào)的時(shí)域和頻域圖，經(jīng)過混合，并對(duì) FASTICA、 PCA 快速主成分分析算法成功實(shí)現(xiàn)混合信號(hào)的分離的信號(hào)進(jìn)行頻域分析 。39。 % 得到三個(gè)信號(hào)的混合信號(hào)3x176401 矩陣 fs=52050?；旌险Z音信號(hào) 339。 end end %（ 3）白化處理 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 24 MixedS_cov=cov(MixedS39。\n 第 %d 分 量 在 %d 次 迭 代 內(nèi) 并 不 收 斂 。 if abs(abs(b39。 D(i,i)=D(i+1,i+1)。) %分離后語音信號(hào)時(shí)域波形圖和頻域頻譜 fs=52050。 plot(abs(y12(2:512))) %做分離語音信號(hào) 2 的 FFT 頻譜圖 title(39。 S2=wavread (39。 figure(1) subplot(4,3,1),plot(S1),title(39。 y3=fft(MixedS(3,:),1024)。 % MixedS_white為白化后的矩陣 IsI=cov(MixedS_white39。 a2=1。 % 保存所得向量 b end %fastICA算法語音分離 ICAedS=B39。*V(:,1))39。fastICA分離語音信號(hào) 139。fastICA分離語音信號(hào) 339。fastICA分離語音信號(hào) 2的 FFT頻譜 39。 %語音信號(hào)采樣頻率為 52050 y11=fft(ICAedS(1,:),1024)。V(:,i)=V(:,i+1)。*bOld)1)1e9 % 如果收斂，則 B(:,r)=b。 39。)。), MixedS_bak=MixedS。 %語音信號(hào)采樣頻率為 52050 y1=fft(S1,1024)。 close all。 plot(ICAedS(2,:)) %做分離語音信號(hào) 2 的時(shí)域圖形 title(39。) subplot(3,3,2),plot(t2),title(39。) %（ 2） PCA 算法分離 [V,D]=eig(MixedS_cov)。*g*b+u*X*g)/SampleNummean(dg)*b。 % 設(shè)置最大迭代次數(shù)（即對(duì)于每個(gè)獨(dú)立分量而言迭代均不超過此次數(shù)） IterationsNum=0。混合語音信號(hào) 3FFT 頻譜 39?；旌险Z音信號(hào) 139。S2。 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 21 參考文獻(xiàn) [1] 馬建倉 ．《 盲信號(hào)處理 》 . 國防工業(yè)出版社 , [2] 趙艷 .《 盲源分離與盲信號(hào)提取問題研究 》 . 西安 :西安理工大學(xué) . [3] 馬建芬 .《 語音信號(hào)分離與增強(qiáng)算法的研究 》 .電子工業(yè)出版社 . [4] 楊福生 .《 獨(dú)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(hào)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(jì)》報(bào)告 22 附錄 原始語音 Matlab信號(hào) 頻譜程序 %（ 1）預(yù)處理 clc。如果信號(hào)本來就是由若干獨(dú)立信源混合而成的， ICA 就能恰好把這些信源分解開來。特征向量的選擇取決于協(xié)方差矩陣的特征值的大小。計(jì)算主成分的目的是將高緯數(shù)據(jù)投影到較低維空間。39。因此，在分離過程中， 可通過對(duì)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(dú)立性，當(dāng)非高斯性度量達(dá)到最大時(shí)，則表明已完成對(duì)各獨(dú)立分量的分離。 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 8 獨(dú)立分量分析 ICA 對(duì)于盲源分離問題， 獨(dú)立分量分析 (Independent Component Analy2sis,ICA）是指在只知道混合信號(hào)，而不知道源信號(hào)、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(hào)的一種分析過程。)。為了便于語音信號(hào)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(shí)所用的 3 段語音是 1， 2, ，3，時(shí)間是 5 秒，單通道。 通過此次實(shí)踐，加深的對(duì) Matlab 功能的認(rèn)識(shí)，掌握了 Matlab 對(duì)語音信號(hào)的采集及處理，了解了盲分離的原理及運(yùn)用，運(yùn)用了合適的矩陣得到了混合信號(hào)，減少了計(jì)算量，同時(shí)達(dá)到了將得到的混合信號(hào)分離的目的，將前后信號(hào)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(jì)》報(bào)告 4 對(duì)比，了解了 Matlab 的處理效率。 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 語音信號(hào)的采集 .............................................................................. 5 語音信號(hào)的采集方法 ........................................................................ 5 三路語音信號(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 語音信號(hào)的分離方案設(shè)計(jì) ................................................................................ 9 FASTICA 算法分離 ....................................................................................... 9 基于負(fù)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(hào)的分離方案實(shí)現(xiàn) ............................................................................ 16 語音信號(hào)的混合 ........................................................................................... 16 語音信號(hào)的分離實(shí)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(jì)》報(bào)告 參考文獻(xiàn) .............................................................................................................. 21 附錄 原始語音 Matlab 信號(hào)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 .............................................