【正文】 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 2的 FFT頻譜 39。fastICA分離語音信號 239。fastICA分離語音 信號 1的 FFT頻譜 39。fastICA分離語音信號 139。 %語音信號采樣頻率為 52050 y11=fft(ICAedS(1,:),1024)。PCA分離語音信號 239。*V(:,3))39。*V(:,1))39。V(:,i)=V(:,i+1)。 % 協(xié)方差矩陣對角化 Vtmp=zeros(size(V,1),1)。fastICA分離語音信號 239。 % 保存所得向量 b end %fastICA算法語音分離 ICAedS=B39。*bOld)1)1e9 % 如果收斂，則 B(:,r)=b。 % 核心公式 b=bB*B39。 g=t.*exp(a2*t.^2/2)。 a2=1。 39。 b=rand(numofIC,1)。 numofIC=VariableNum。 % MixedS_white為白化后的矩陣 IsI=cov(MixedS_white39。)。), %（ 2）歸一化處理 MixedS_mean=zeros(3,1)。), subplot(4,3,8),plot(abs(y2)),title(39。 y3=fft(MixedS(3,:),1024)。), MixedS_bak=MixedS。), subplot(4,3,5),plot(MixedS(2,:)),title(39。) subplot(4,3,3),plot(S3),title(39。 figure(1) subplot(4,3,1),plot(S1),title(39。 %語音信號采樣頻率為 52050 y1=fft(S1,1024)。S3]。39。 S2=wavread (39。 close all。 plot(abs(y13(1:512))) %做分離語音信號 3 的 FFT 頻譜圖 title(39。 plot(ICAedS(3,:)) %做分離語音信號 3 的時域圖形 title(39。 plot(abs(y12(2:512))) %做分離語音信號 2 的 FFT 頻譜圖 title(39。 plot(ICAedS(2,:)) %做分離語音信號 2 的時域圖形 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。 plot(ICAedS(1,:)) %做分離語音信號 1 的 時域圖形 title(39。) %分離后語音信號時域波形圖和頻域頻譜 fs=52050。) subplot(3,3,2),plot(t2),title(39。 t3=(MixedS39。 end end end %PCA 算法語音分離 t1=(MixedS39。 D(i,i)=D(i+1,i+1)。) %（ 2） PCA 算法分離 [V,D]=eig(MixedS_cov)。) subplot(4,3,11),plot(ICAedS(2,:)),title(39。 end B(:,r)=b。 if abs(abs(b39。*g*b+u*X*g)/SampleNummean(dg)*b。*b。 end bOld=b。\n 第 %d 分 量 在 %d 次 迭 代 內(nèi) 并 不 收 斂 。 % 設(shè)置最大迭代次數(shù)（即對于每個獨(dú)立分量而言迭代均不超過此次數(shù)） IterationsNum=0。 % 以下算法將對 X 進(jìn)行操作 [VariableNum,SampleNum]=size(X)。 % Q 為白化矩陣 MixedS_white=Q*MixedS。 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》報告 24 MixedS_cov=cov(MixedS39?；旌险Z音信號 3FFT 頻譜 39。混合語音信號 1FFT 頻譜 39。 %對信號做 1024 點(diǎn) FFT 變換 y2=fft(MixedS(2,:),1024)?；旌险Z音信號 339?；旌险Z音信號 139。原始語音信號 yy239。 f=fs*(0:511)/1024。 % 得到三個信號的混合信號3x176401 矩陣 fs=52050。S2。 S1=I1(1:150000)。)39。39。 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(xiàn) [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(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。 在設(shè)計過程中，感受到算法在類似“雞尾酒會”語音信號中起到的作用，尤其是獨(dú)立分量分析方法，大量的算法均是在 ICA 算法的基礎(chǔ)上發(fā)展改進(jìn)而來的，這次的設(shè)計是一個入門，盲信號分離 是一個廣闊的領(lǐng)域，不僅包括語音信號，還有確定信號方面，圖像處理方面等等，在這些領(lǐng)域以后可以進(jìn)一步了解。 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(jìn)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。 分離語音頻譜分析及比較 在 MATLAB 中畫出 、 、 這三段語音信號原始信號的時域和頻域圖，經(jīng)過混合，并對 FASTICA、 PCA 快速主成分分析算法成功實現(xiàn)混合信號的分離的信號進(jìn)行頻域分析 。如果信號本來就是由若干獨(dú)立信源混合而成的， ICA 就能恰好把這些信源分解開來。具體實現(xiàn)主要結(jié)合獨(dú)立分量分析 ICA 技術(shù)，選取混合矩陣對 3 個語音信號進(jìn)行混合，并 從混合信號中分離出原語音信號，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(jìn)行比較。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。但是由于 PCA 方法在實際的計算式只涉及到輸入數(shù)據(jù)概率分布函數(shù)的二階統(tǒng)計特性（僅利用到信號的協(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 方法對輸入信號的獨(dú)立要求。特征向量的選擇取決于協(xié)方差矩陣的特征值的大小。 PCA 算法原理 令 x 為表示環(huán)境的 m 維隨機(jī)向量。 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。這時我們可以用原有變量的線性組合來表示事物的主要方面， PCA 就是這樣一種分析方法。計算主成分的目的是將高緯數(shù)據(jù)投影到較低維空間。 8. 假如 pW 不收斂的話，返回第 5 步； 9．令 1??pp ，如果 mp? ，返回第 4 步。這是由于一般情況下，所獲得的數(shù)據(jù)都具有相關(guān)性。該過程包括去均值和白化（或球化）。39。 （公式 35） 為了簡化矩陣的求逆，可以近似為（ ）式的第一項。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(diǎn)上獲得。 快速 ICA學(xué)習(xí)規(guī)則是找一個方向以便 ? ?XWYXW TT ? 具有最大的非高斯性。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(dú)立性，當(dāng)非高斯性度量達(dá)到最大時，則表明已完成對各獨(dú)立分量的分離。 基于負(fù)熵最大的快速 ICA FastICA 算法有基于峭度、基于似然最大、基于負(fù)熵最大等形式，這里，我們介紹基于負(fù)熵最大的 FastICA 算法。 FastICA 算法的優(yōu)點(diǎn)如下： ， FastICA 收斂速度為 2 次以上，普通的 ICA 算法收斂僅為 1次。其中， FastICA 的收斂速度快，且有一定的精度保證。 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(dú)立分量分析 ICA 對于盲源分離問題， 獨(dú)立分量分析 (Independent Component Analy2sis,ICA）是指在只知道混合信號，而不知道源信號、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的一種分析過程。 根據(jù)線性代數(shù)的理論，可以知道滿足式子值最大化的訓(xùn)應(yīng)該滿足下 式： 即使得上述式子最大化的 w 是矩陣 Cx 的最大特征值所對應(yīng) 的特征向量。 PCA 算法原理 令 x 為表示環(huán)境的 m 維 隨機(jī)向量。 %存儲錄音信號，先創(chuàng)建文件 在 matlab 中對上述語音信號進(jìn)行分析，接 下來對 3 段語音信號進(jìn)行的時域分析、頻譜分析。)。double39。 Pause； fprintf(39。 t=5。為了便于語音信號的盲分離要將這 3 段語音用軟件進(jìn)行處理使其文件大小一樣，仿真時所用的 3 段語音是 1， 2, ，3，時間是 5 秒，單通道。 運(yùn)用 audiorecorder 對象采集語音信號 audiorecorder（ fs， nbits， ch）可以創(chuàng)設(shè)一個 audiorecorder 對象。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。瞬時線性混疊盲分離的目的就是通過調(diào)節(jié)分離矩陣 W（或混疊矩陣 A），使得分離信號與對應(yīng)的源信號的波形保持一致，即： 武漢理工大學(xué)《信息處理課群綜合訓(xùn)練與設(shè)計》報告 5 y(t)=PDs(t) （公式 23） 其中 P 為置換矩陣， D 為對角矩陣。 通過此次實踐，加深的對 Matlab 功能的認(rèn)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(yùn)用，運(yùn)用了合適的矩陣得到了混合信號，減少了計算量，同時達(dá)到了將得到的混合信號分離的目的，將前后信號進(jìn)行武漢理工大學(xué)《信息處理課群綜合訓(xùn)練與設(shè)計》報告 4 對比，了解了 Matlab 的處理效率。選取合適的盲信號分離算法（如獨(dú)立成分分析 ICA 等）進(jìn)行訓(xùn)練學(xué)習(xí)，求出分離矩陣和分離后的語音信號。 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。此外還運(yùn)用 PCA 算法進(jìn)行了混合語音信號的分離實現(xiàn)，最終對兩種算法進(jìn)行比較。 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》報告 目 錄 摘要 ........................................................................................................................ 1 Abstract ..................................................................................................