【導(dǎo)讀】基于盲源分離技術(shù)的語音信號噪聲分析與處理

　　

【正文】 m p l e分離信號（含 10 的 B 噪聲） 圖 利用 FPICA 法的分離結(jié)果 基于盲源分離 技術(shù)的語音信號噪聲分析與處理 26 0 500 1000 1500 2021 2500 3000 3500 4000 4500 50005050 500 1000 1500 2021 2500 3000 3500 4000 4500 5000505amplitude分離信號（含 10dB 噪聲）0 500 1000 1500 2021 2500 3000 3500 4000 4500 50005050 500 1000 1500 2021 2500 3000 3500 4000 4500 5000505s a m p l e 圖 利 用 CICA 法的分離結(jié)果 （ 3) 加入噪聲為 15dB 的分離信號 Y： 0 500 1000 1500 2021 2500 3000 3500 4000 4500 5000505x 1 070 500 1000 1500 2021 2500 3000 3500 4000 4500 5000101x 1 06amplitude分離信號（含 15dB 噪聲）0 500 1000 1500 2021 2500 3000 3500 4000 4500 5000101x 1 060 500 1000 1500 2021 2500 3000 3500 4000 4500 5000505x 1 06s a m p l e 圖 利用 SOBI 法的分離結(jié)果 基于盲源分離 技術(shù)的語音信號噪聲分析與處理 27 0 500 1000 1500 2021 2500 3000 3500 4000 4500 5000 1 00100 500 1000 1500 2021 2500 3000 3500 4000 4500 5000505amplitude0 500 1000 1500 2021 2500 3000 3500 4000 4500 50005050 500 1000 1500 2021 2500 3000 3500 4000 4500 5000505s a m p l e分離信號（含 15dB 噪聲） 圖 利用 FPICA 法的分離結(jié)果 0 500 1000 1500 2021 2500 3000 3500 4000 4500 50005050 500 1000 1500 2021 2500 3000 3500 4000 4500 5000505amplitude分離信號（含 15dB 噪聲）0 500 1000 1500 2021 2500 3000 3500 4000 4500 50005050 500 1000 1500 2021 2500 3000 3500 4000 4500 5000505s a m p l e 圖 利用 CICA 法的分離結(jié)果 比較三種算法得到的分離信號后的波形圖 圖 圖 與原始信號的基于盲源分離 技術(shù)的語音信號噪聲分析與處理 28 波形圖 可以看出三種算法也都較好地恢復(fù)除了原始信號的波形雖然在兩個源信號中白噪聲并不滿足非平穩(wěn)和有色的特性這三種算法也都較好地恢復(fù)出了原始信號的波形為了定量地比較三個算法的優(yōu)劣性我們依然再進(jìn)行分離前后的信號干擾比的比較。 不同算法的分離性能比較 比較三種算法得到的分離信號后的波形圖 圖 圖 與原始信號的波形 圖 可以看出三種算法都較好地恢復(fù)了原始信號的波形為了定量地比較三個算法的優(yōu)劣性下面將對分離前后的 信噪比和 信號干擾比進(jìn)行比較。 (1)信噪比 三種方法信噪比 SNR 對比結(jié)果： 表 加入噪聲為 5dB的 SNR對比 y1 y2 y3 y4 平均 SNR 原始 SNR SOBI 算法 FPICA 算法 CICA 算法 輸 出 信 號 算 法 基于盲源分離 技術(shù)的語音信號噪聲分析與處理 29 1 1 . 5 2 2 . 5 3 3 . 5 4050100150200250300350SNR(dB) S O B IFP I C AC I C A初始 S N R 圖 SNR折線圖比較 一般來說，信噪比越大，說明混在信號里的噪聲越小，聲音回放的音質(zhì)量越高，否則相反。由混入 5dB 噪聲的語音信號信噪比 SNR 折線圖比較可知，經(jīng)過獨立成分分析的三種算法， 混入 聲音信號的 噪聲已經(jīng)被大大的降低，即信噪比大大的提 高，尤其是 CICA 算法的抑噪效果相對其他兩種方法的要明顯，分離效果好一些。 表 加入噪聲為 10dB的 SNR對比 y1 y2 y3 y4 平均 SNR 原始 SNR SOBI 算法 FPICA 算法 CICA 算法 輸 出 信 號 算 法 基于盲源分離 技術(shù)的語音信號噪聲分析與處理 30 1 1 . 5 2 2 . 5 3 3 . 5 405101520253035404550SNR(dB) S O B IFP I C AC I C A初始 S N R 圖 信 噪 比 SNR折線圖 比較 從表 上可以看到，三種算法獲得的 SNR 值基本在 40 個 dB 左右，有良好的分離性能。由混入 10dB 噪聲的語音信號信噪比 SNR 折線圖比較可知，經(jīng)過獨立成分分析的三種算法，混入聲音信號的噪聲已經(jīng)被大大的降低，即信噪比大大的提高。 表 加入噪聲為 15dB的三種方法 SNR對比 y1 y2 y3 y4 平均 SNR 原始 SNR SOBI 算法 FPICA 算法 CICA 算法 輸 出 信 號 算 法 基于盲源分離 技術(shù)的語音信號噪聲分析與處理 31 1 1 . 5 2 2 . 5 3 3 . 5 405101520253035404550SNR(dB) S O B Id FP I C AC I C A初始 S N R 圖 信噪比 SNR折線圖比較 參數(shù) SNR 的值越大，說明結(jié)果中分離信號受到相對信號的干擾越小，抗噪聲能力也越好，即算法的分離效果越好。 （ 2）信干比 三種方法信噪比 SIR 對比結(jié)果： SIR (5dB) y1 y2 y3 y4 SOBI FPICA CICA 表 加入噪聲為 15dB 的三種方法 SNR 對比 基于盲源分離 技術(shù)的語音信號噪聲分析與處理 32 1 1 . 5 2 2 . 5 3 3 . 5 405101520253035NSNR(dB) S O B IFP I C AC I C A 圖 三種算法的信干比 SIR折線圖 比較 SIR 可確定分離效果的好壞， SIR 越大，分離效果越好。由混入 5dB 噪聲的語音信號信干比 SIR 折線圖比較可知，經(jīng)過獨立成分分析 的三種算法，混入聲音信號的噪聲已經(jīng)被大大的降低，信干比大大的提高，尤其是 CICA 算法的抑噪效果相對其他兩種方法的要明顯，分離效果好一些。 SIR (10dB) y1 y2 y3 y4 SOBI FPICA CICA 表 加入噪聲為 15dB 的三種方法 SNR 對比 基于盲源分離 技術(shù)的語音信號噪聲分析與處理 33 1 1 . 5 2 2 . 5 3 3 . 5 46810121416182022NSNR(dB) S O B IFP I C AC I C A 圖 三種算法的信干比 SIR折線圖比較 SIR (15dB) y1 y2 y3 y4 SOBI FPICA CICA 表 加入噪聲為 15dB 的三種方法 SNR 對比 基于盲源分離 技術(shù)的語音信號噪聲分析與處理 34 1 1 . 5 2 2 . 5 3 3 . 5 446810121416182022NSNR(dB) S O B IFP I C AC I C A 圖 三種算法的信干比 SIR折線圖比較 SIR 可確定分離 效果的好壞， SIR 越大，分離效果越好， 由上面的折線圖可知 ， 混入 15dB 噪聲的語音信號信干比 SOBI 分離法分離效果較其他兩種好一些。 基于盲源分離 技術(shù)的語音信號噪聲分析與處理 35 第 四 章 結(jié)論與展望 盲源分離算法是盲源分離問題的核心，本文研究了現(xiàn)有的幾種盲源分離算法，并在這些算法的基礎(chǔ)上結(jié)合具體應(yīng)用 于語音信號的噪聲處理， 對其加以改進(jìn)，給出了新的算法。論文的主要工作如下： 1．研究 獨立成分分析的原理及 其基本模型 。 傳統(tǒng)的選取盲源分離算法只適用于單純超高斯信號 (或者亞高斯信號 )混合系統(tǒng)的分離，不適用于雜系混合 (超高斯和亞高斯信號 )系統(tǒng)的分離。 論文中的 ICA 主要應(yīng)用于 語音信號噪聲的實現(xiàn)算法，及目前的去除或抑制噪聲方法分析，引出獨立成分分析不能應(yīng)用于高斯信號和非獨立信號，可用來抑制高斯噪聲。 2．語音信號是一種非平穩(wěn)信號，本文研究了 二階盲辨識（ SOBI） 盲源分離算法，快速定點 (FastICA)算法以及 約束獨立分量分析 （ CICA） 算法， 利用這三種算法有效地解決了 噪聲在語音信號中的分離 問題，可以在不需要白化過程的情況下，得到良好的分離效果。對算法進(jìn)行了計算機仿真，并將 三種算法在不同噪聲環(huán)境下的 仿真結(jié)果進(jìn)行了比較。 盲源分離技術(shù)正在不斷的發(fā) 展，新的問題和算法層出不窮。雖然已經(jīng)有很多成熟的盲源分離算法，但是，作者認(rèn)為還是有很多問題待于進(jìn)一步的研究和解決： (1)帶噪聲混合信號的盲分離問題。由于在盲信號處理中，存在太多的未知條件，帶噪聲的混迭信號的盲分離是十分困難的?，F(xiàn)在研究的大部分盲源分離或者盲反卷積算法，都假設(shè)無噪聲的情況或者把噪聲看作一個獨立的源信號， 在高階統(tǒng)計方法中，由于高斯信號高階累計量為零，所以可以假設(shè)加性高斯噪聲的存在，但是對于已有的盲源分離算法在什么情況下可以應(yīng)用到一般的噪聲 混迭模型，是有待解決的問題。 (2)欠完備情形的盲源 分離問題。無論是盲源分離還是盲解卷積，現(xiàn)存的大 多數(shù)算法都假設(shè)傳感器的數(shù)目大于或者等于源信號的個數(shù)，這是一種超完備形。然而，傳感器數(shù)目少于信號源數(shù)目的欠完備問題也是需要解決的一大難題．此外，在工程實際中，信號源的數(shù)目有可能隨時問動態(tài)變化，如何確定源的數(shù)目，保證算法的有效也是一個亟待解決的問題。 (3)非線性混合情形的盲源分離問題．本文主要研究的是源信號的線性混合 模型，而非線性混合模型才更具有一般性，對它的深入研究，也會使將來研究的基于盲源分離 技術(shù)的語音信號噪聲分析與處理 36 一個熱點問題。 (4)盲源分離算法的實際應(yīng)用?，F(xiàn)有的一些算法由于速度太慢，達(dá) 不到實時要求，而無法應(yīng)用于實際問題中。在保證算法性能的條件下，降低算法的復(fù) 雜性提高計算效率，也是一個關(guān)于 BSS 的很重要的研究方向。 當(dāng)前的語音信號盲分離算法所能解決的問題是有一定的適用范圍和限制條件的，仍然處在實驗室研究階段，使這些算法從實驗室真正走向應(yīng)用還有很長的研究歷程。 基于盲源分離 技術(shù)的語音信號噪聲分析與處理 37 致 謝 四年的讀書生活在這個季節(jié)即將劃上一個句號，而于我的人生卻只是一個逗號，我將面對又一次征程的開始。四年的求學(xué)生涯在師長、親友的大力支持下，走得辛苦卻也收獲滿囊，在論文即將付梓 之際，思緒萬