【正文】 ) sound(ICAedS(1,:),52050) 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 本科生綜合訓(xùn)練成績評定表 姓 名 性 別 專業(yè)、班級 綜合訓(xùn)練題目： 語音信號的盲處理 綜合訓(xùn)練答辯或質(zhì)疑記錄： 成績評定依據(jù)： 最終評定成績（以優(yōu)、良、中、及格、不及格評定） 指導(dǎo)教師 簽字： 年 月 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 。 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(shí)域圖形 title(39。) y13=fft(ICAedS(2,:),1024)。 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 33 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(shí)域圖形 title(39。) y12=fft(ICAedS(2,:),1024)。 plot(abs(y11(1:512))) %做分離語音信號 1的 FFT頻譜圖 title(39。)。 plot(ICAedS(1,:)) %做分離語音信號 1的時(shí)域圖形 title(39。 %對信號做 1024點(diǎn) FFT變換 f=fs*(0:511)/1024。) %分離后語音信號時(shí)域波形圖和頻域頻譜 fs=52050。) subplot(4,3,12),plot(t3),title(39。) subplot(4,3,11),plot(t2),title(39。 subplot(4,3,10),plot(t1),title(39。 t3=(MixedS39。 t2=(MixedS39。 end end 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 32 end %PCA算法語音分離 t1=(MixedS39。 D(i+1,i+1)=tmp。 D(i,i)=D(i+1,i+1)。 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)。) （ 2） PCA算法分離 [V,D]=eig(MixedS_cov)。) subplot(4,3,9),plot(ICAedS(3,:)),title(39。) subplot(4,3,8),plot(ICAedS(2,:)),title(39。*Q*MixedS_bak % 計(jì)算 ICA后的矩陣 % fastICA分離語音信號 subplot(4,3,7),plot(ICAedS(1,:)),title(39。 end B(:,r)=b。 % 保存所得向量 b break。 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 31 if abs(abs(b39。*b。*g*b+u*X*g)/SampleNummean(dg)*b。 dg=(1a2*t.^2).*exp(a2*t.^2/2)。*b。 u=1。 end bOld=b。, r,maxIterationsNum)。\n第 %d分量在 %d次迭代內(nèi)并不收斂。 % 隨機(jī)設(shè)置 b初值 b=b/norm(b)。 % 設(shè)置最大迭代次數(shù)（即對于 每個(gè)獨(dú)立分量而言迭代均不超過此次數(shù)） IterationsNum=0。 % 在此應(yīng)用中，獨(dú)立元個(gè)數(shù)等于變量個(gè)數(shù) B=zeros(numofIC,VariableNum) % 初始化列向量 w的寄存矩陣 ,B=[b1 b2 ... bd] for r=1:numofIC i=1。 % 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。 % cov為求協(xié)方差的函數(shù) [E,D]=eig(MixedS_cov)。 end end %（ 3）白化處理 MixedS_cov=cov(MixedS39。 %3*1矩陣 for i=1:3 MixedS_mean(i)=mean(MixedS(i,:))?；旌险Z音信號 3FFT頻譜 39?；旌险Z音信號 2FFT頻譜 39?；旌险Z音信號 1FFT頻譜 39。 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。 %對信號做 1024點(diǎn) FFT變換 y2=fft(MixedS(2,:),1024)。 % 將混合后的數(shù)據(jù)備份，以便在恢復(fù)時(shí)直接調(diào)用 fs=52050?；旌险Z音信號 339。混合語音信號 239?；旌险Z音信號 139。原始語音信號 yy339。原始 語音信號 yy239。原始語音信號 yy139。 f=fs*(0:511)/1024。 %對信號做 1024點(diǎn) FFT變換 y2=fft(S2,1024)。 % 得到三個(gè)信號的混合信號3x176401矩陣 fs=52050。 % 3x176401矩陣 Sweight=rand(size(S,1))。S2。)39。 S3=wavread (39。39。)39。 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 28 % 讀入混合前的原始語音信號 S1=wavread (39。 clear all。fastICA 分離語音信號 3 的 FFT 頻譜 39。 subplot(3,3,9)。fastICA 分離語音信號 339。 %對信號做 1024 點(diǎn) FFT 變換 subplot(3,3,8)。fastICA 分離語音信號 2 的 FFT 頻譜 39。 subplot(3,3,7)。fastICA 分離語音信號 239。 %對信號做 1024 點(diǎn) FFT 變換 subplot(3,3,6)。fastICA 分離語音信號 1 的 FFT 頻譜 39。 subplot(3,3,5)。fastICA 分離語音信號 139。 subplot(3,3,4)。 %語音信號采樣頻率為 52050 y11=fft(ICAedS(1,:),1024)。PCA 分離語音信號 339。PCA 分離語音信 號 239。PCA 分離語音信號 139。*V(:,3))39。*V(:,2))39。*V(:,1))39。V(:,i+1)=Vtmp。V(:,i)=V(:,i+1)。Vtmp=V(:,i)。 % 協(xié)方差矩陣對角化 Vtmp=zeros(size(V,1),1)。fastICA 分離語音信號 339。fastICA 分離語音信號 239。fastICA 分離語音信號 139。 % 保存所得向量 b end %fastICA 算法語音分離 ICAedS=B39。 end i=i+1。*bOld)1)1e9 % 如果收斂，則 B(:,r)=b。 % 對 b 正交化 b=b/norm(b)。 % 核心公式 b=bB*B39。 b=((1u)*t39。 g=t.*exp(a2*t.^2/2)。 t=X39。 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 25 a2=1。 break。 39。 % 對 b 標(biāo)準(zhǔn)化 norm(b):向量元素平方和開根號 while i=maxIterationsNum+1 if i == maxIterationsNum % 循環(huán)結(jié)束處理 fprintf(39。 b=rand(numofIC,1)。maxIterationsNum=100。 numofIC=VariableNum。 % IsI 應(yīng)為單位陣 %（ 1） FASTICA 算法 X=MixedS_white。 % MixedS_white 為白化后的矩陣 IsI=cov(MixedS_white39。 % 對矩陣的協(xié)方差函數(shù)進(jìn)行特征值分解 Q=inv(sqrt(D))*(E)39。)。 end % 計(jì)算 MixedS 的均值 for i=1:3 for j=1:size(MixedS,2) %返回矩陣的列數(shù) MixedS(i,j)=MixedS(i,j)MixedS_mean(i)。), %（ 2）歸一化處理 MixedS_mean=zeros(3,1)。), subplot(4,3,9),plot(abs(y3)),title(39。), subplot(4,3,8),plot(abs(y2)),title(39。 subplot(4,3,7),plot(abs(y1)),title(39。 y3=fft(MixedS(3,:),1024)。 %語音信號采樣頻率為 52050 y1=fft(MixedS(1,:),1024)。), MixedS_bak=MixedS。), subplot(4,3,6),plot(MixedS(3,:)),title(39。), subplot(4,3,5),plot(MixedS(2,:)),title(39。) % 將混合矩陣重新排列并輸出 subplot(4,3,4),plot(MixedS(1,:)),title(39。) subplot(4,3,3),plot(S3),title(39。) subplot(4,3,2),plot(S2),title(39。 figure(1) 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 23 subplot(4,3,1),plot(S1),title(39。 y3=fft(S3,1024)。 %語音信號采樣頻率為 52050 y1=fft(S1,1024)。 % 取一隨機(jī) 3*3 矩陣，作為信號混合的權(quán)矩陣 MixedS=Sweight*S。S3]。 S=[S1。 S2=I2(1:150000)。)39。 I3=wavread (39。39。)39。 % 讀入混合前的原始語音信號 I1=wavread (39。 clear all。 語音信號的盲分離中涉及大量的概率論、高數(shù)等數(shù)學(xué)基礎(chǔ)，是各科知識的一個(gè)綜合，在接下來的學(xué)習(xí)中，希望在復(fù)習(xí)舊的知識點(diǎn)