毕设

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

目录

摘要 ............................................................................................................................. III ABSTRACT ................................................................................................................. IV 第一章 语音信号及噪声概述................................................................................. - 1 - 1.1 语音信号的概述 ............................................................................................... - 1 -

1.1.1 语音特性分析................................................................................. - 1 - 1.1.2 语音信号的基本特征..................................................................... - 2 - 1.2语音噪声特性分析............................................................................... - 3 - 1.2.1 信噪比(Signal Noise Ratio，SNR) ................................................ - 3 - 1.2.2 信干比(signal-to-Interference Ratio，SIR) ................................... - 4 -

第二章 盲信号处理................................................................................................. - 5 - 2.1盲信号处理的概述 ............................................................................................ - 5 -

2.1.1 盲信号处理的基本概念................................................................. - 5 - 2.1.2 盲信号处理的方法和分类............................................................... - 5 - 2.1.3 盲信号处理技术的研究应用........................................................... - 6 - 2.2 盲源分离法.......................................................................................... - 7 - 2.2.1 盲源分离技术................................................................................... - 7 - 2.2.2 盲分离算法实现............................................................................... - 7 - 2.2.3 盲源分离技术的研究发展和应用................................................... - 8 -

2.3 独立成分分析 ................................................................................................... - 9 -

2.3.1 独立成分分析的定义....................................................................... - 9 - 2.3.2 ICA的基本原理 .............................................................................. - 10 -

2.3.3 本文对ICA的研究目的及实现 .................................................................. - 12 - 第三章 盲语音信号分离的实现及抑噪分析....................................................... - 15 - 3.1 盲语音信号分离的实现 ................................................................................. - 15 -

3.1.1 盲信号分离的三种算法................................................................. - 15 - 3.1.2 不同算法的分离性能比较............................................................. - 17 -

3.2 抑制噪声的算法仿真及结果分析 ............................................................... - 17 -

I

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

3.2.1 抑噪算法仿真实现......................................................................... - 17 - 3.2.2分离结果分析.................................................................................. - 20 - 3.2.2 不同算法的分离性能比较............................................................. - 28 -

第四章 结论与展望............................................................................................... - 35 - 致 谢................................................................................................................. - 37 - 参考文献................................................................................................................. - 38 - 附 录................................................................................................................. - 39 -

II

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

基于盲源分离技术的语音信号噪声分析与处理

摘要

语音信号盲分离处理的含义是指利用BSS技术对麦克风检测到的一段语音信号进行处理。混合语音信号的分离是盲分离的重要内容，目前的混叠语音分离大多是建立在无噪环境中的混叠情形下，主要以盲源分离(Blind Source Separation，BSS)，根据信号的统计特性从几个观测信号中恢复出未知的独立源成分。

本文重点研究了以语音信号为背景的盲处理方法，在语音和听觉信号处理领域中，如何从混有噪声的的混叠语音信号中分离出各个语音源信号，来模仿人类的语音分离能力，成为一个重要的研究问题。具体实现主要结合ICA技术，将语音去噪作为一个预处理过程，对带噪声的混叠语音盲分离进行了研究，本文详细了介绍三种FastICA算法：SOBI算法以及CICA算法，将三种算法应用于实际的语音信号噪声分离中，并比较了传统算法和基于ICA/BSS算法在语音消噪和增强方面的差异，文章最后还介绍了分离效果评价准则，并比较了SNR和SIR参数。 关键词 语音信号，语音信号噪声，盲源分离，独立成分分析

III

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

ABSTRACT

Blind separation of speech signal processing means is the use of BSS techniques microphone detects a voice signal processing. Separation of mixed speech signals is important for blind separation, the current separation of overlapping speech is built mostly in the absence of aliasing noise in the environment, under the circumstances, mainly in blind source separation (Blind Source Separation, BSS), the statistical characteristics of signal Several observations from the unknown signal to recover the independent source components;

This article focuses on the background to the blind speech signal processing method, signal processing, speech and hearing, how the noise from a mixture of overlapping speech signal to separate the various audio source signals to mimic human speech separation ability become an important research question. Combination of concrete realization of the main ICA technology, speech denoising as a preprocessing of speech with noise-aliasing blind separation were studied, the paper introduces three kinds of FastICA algorithm: SOBI algorithm and the CICA algorithm, three kinds of algorithm application the actual noise in speech signal separation, and compared the traditional algorithm and the ICA / BSS algorithm in speech denoising and enhancement of the differences, the paper finally describes the separation evaluation criteria, and compared the SNR and SIR parameters.

Keywords:

Voice signal, voice signal noise, blind source separation,

independent component analysis

IV

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

第一章 语音信号及噪声概述

1.1 语音信号的概述 1.1.1 语音特性分析

1.语音产生机理

发声器官分为三部分：肺、喉(声门)和声道。肺的作用相当于一个动力源，将气流输送到喉部。喉将来自肺部的气流调制为周期脉冲或类似随机噪声的激励声源，并送入声道。喉在发声中的作用是控制声带的开启和闭合，使得气流形成一系列脉冲，声带振动的频率决定了声音频率的高低。由声带振动产生的音统称为浊音，而不由声带振动产生的音统称为清音。

声道包括口腔、鼻腔和咽腔，它们对声源的频谱进行整形而产生不同音色的声音。声道的谐振频率称为共振峰频率，它与声道的形状和大小有关，每种形状都有一套共振峰频率作为其特征，改变声道的形状就产生不同的语音，因而，当声道形状改变时，语音信号的频谱特性就随之改变。

声源经过声道润色频谱后，最后从嘴唇或鼻孔或同时从嘴唇和鼻孔辐射出来，形成可传播的声波，被人感知为语音。

综上所述，语音由空气流经过声门激励，经由声道调制，经过嘴辐射出去，完整的语音信号产生的数学模型可以用三个子模型：激励模型、声道模型和辐射模型的串连来表示。 2．语音的特性

(1)短时平稳性

根据对语音信号的研究，语音是一种时变的、非平稳的随机过程，但另一方面，由于人类发声系统的生理结构的变化速度是有一定限度的，在一段短时间内(10～30ms)人的声带和声道形状基本稳定，并且大部分情况下，激励源参数也是如此，因此可认为短时间内语音特征是不变的，语音的短时性特点是对语音信号进行分析和处理的基础。

(2)浊音和清音

语音分为浊音和清音两大类，二者从语音产生的机理上有明显的差异，前者

- 1 -

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

感器在人体表处测得，从信号源到传感器之间的信号传输介质参数是未知的，而人们之间各不相同。目前已经有一些学者将盲源分离技术成功地够应用于脑电图等信号的数据处理。

2.2 盲源分离法

2.2.1 盲源分离技术

盲源信号分离(Blind Source Separation, BSS) 是20世纪90年代迅速发展起来的一个研究领域 。它具有可靠的理论基础和许多方面的应用潜力。其在生物医学工程 、医学图像 、语音增强 、遥感 、通信系统 、地震探测等领域有着广泛而诱人的前景 ,盲源分离成为信号处理和神经网络领域的研究热点 。 盲源分离是针对从检测的混合信号中估计或恢复源信号的问题提出的，是指源信号、传输通道特性未知的情况下，仅由观测信号和源信号的一些先验知识（如概率密度）估计出源信号各个分量的过程。例如最著名的鸡尾酒会问题，仅根据多个麦克风检测信号分离或恢复出某种语音源信号。 2.2.2 盲分离算法实现

在实际的ICA盲分离算法应用中,一般有时是必需的对观测数据做一些预处理技术，如用主成分分析 ( PCA )降维和白化,用滤波器进行滤波降噪处理等。另外,由于恢复准则的局限以及先验知识的缺乏,盲信号分离方法只能得到源信号的波形,而无法确定信号的幅值以及信号之间的顺序。这两点都需要人为的制定规则(如规定信号的方差为1来确定幅值)来确定。

图2.2.1 盲信号分离基本原理框图

- 7 -

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

2.2.3 盲源分离技术的研究发展和应用

1986 年，法国学者Jeanny Herault和Christian Jutten提出了递归神经网络模型和基于Hebb学习律的学习算法，以实现2个独立源信号混合的分离。这一开创性的论文在信号处理领域中揭开了新的一章，即盲源分离问题的研究。

其后二十几年来，对于盲信号分离问题，学者们提出了很多的算法，每种算法都 在一定程度上取得了成功。从算法的角度而言，BSS算法可分为批处理算法和自适应算法；从代数函数和准则而言，又分为基于神经网络的方法、基于高阶统计量的方法、基于互信息量的方法、基于非线性函数的方法等。尽管国内对盲信号分离问题的研究相对较晚，但在理论和应用方面也取得很大的进展。清华大学的张贤达教授在其 1996 年出版的《时间序列分析——高阶统计量方法》一书中，介绍了有关盲分离的理论基础，其后关于盲分离的研究才逐渐多起来。近年来国内各类基金支持了盲信号处理理论和应用的项目，也成立了一些研究小组。

虽然盲源分离理论方法在最近20年已经取得了长足的发展，但是还有许多问题有待进一步研究和解决。首先是理论体系有待完善。实际采用的处理算法或多或少都带有一些经验知识，对于算法的稳定性和收敛性的证明不够充分。盲源分 离尚有大量的理论和实际问题有待解决，例如多维ICA问题、带噪声信号的有效分离方法、如何更有效地利用各种先验知识成功分离或提取出源信号、一般性 的非线性混合信号的盲分离、如何与神经网络有效地结合、源信号的数目大于观察信号的数目时ICA方法等。另外，盲源分离可同其他学科有机结合，如模糊系 统理论在盲分离技术中的应用可能是一个有前途的研究方向；盲源分离技术与遗传算法相结合，可以减少计算复杂度，提高收敛速度。如何有效提高算法对源信号统计特性的学习和利用也需要进行深入研究。在硬件实现方面，盲分离问题也存在着极大的发展空间，例如用FPGA实现等。

经过人们将近20年的共同努力，有关盲分离的理论和算法得到了较快发展，包括 盲分离问题本身的可解性，以及求解原理等方面的基本理论问题在一定程度上得到了解决，并提出了一些在分离能力、内存需求、计算速度等方面性能各异的 算 法。由于该问题的理论研究深度和算法实现难度都较大，目前对于盲分离的研究 仍然很不成熟，难以满足许多实际应用需求，许多理论问题和算法实

- 8 -

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

现的相应技术也有待进一步探索。

2.3 独立成分分析

独立分量分析 ( Independent Component Analy2sis , ICA) 是由Herault和J utten在1983年提出,该方法不依赖与源信号类型相关的详细知识或信号传输系统特性的精确辨识,是一种有效的冗余取消技术,被广泛应用于盲源分离 ( blind source separation BSS)、特征提取和盲解卷、生理学数据分析语音信号处理、图像处理及人脸识别等领域。该方法根据代价函数的不同 ,可以得到不同的ICA算法,如信息最大化(infomax)算法、Fast ICA算法、最大熵( M E)和最小互信息( MM I)算法、极大似然(ML)算法等。

在统计学中，独立成分分析或独立分量分析（Independent components analysis，缩写：ICA）是一种利用统计原理进行计算的方法。它是一个线性变换。这个变换把数据或信号分离成统计独立的非高斯的信号源的线性组合。独立成分分析是盲信号分离（Blind source separation）的一种特例。

2.3.1 独立成分分析的定义

ICA是一种用来从多变量（多维）统计数据里找到隐含的因素或成分的方法，被认为是主成分分析（Principal Component Analysis, PCA）和因子分析（Factor Analysis）的一种扩展。对于盲源分离问题，ICA是指在只知道混合信号，而不知道源信号、噪声以及混合机制的情况下，分离或近似地分离出源信号的一种分析过程。

独立成分分析（Independent Component Analysis, ICA）是近年来出现的一种强有力的数据分析工具（Hyvarinen A, Karhunen J, Oja E, 2001; Roberts S J, Everson R, 2001）。1994年由Comon给出了ICA的一个较为严格的数学定义，其思想最早是由Heranlt和Jutten于1986年提出来的。ICA从出现到现在虽然时间不长，然而无论从理论上还是应用上，它正受到越来越多的关注，成为国内外研究的一个热点。特别是从应用角度看，它的应用领域与应用前景都是非常广阔的，目前主要应用于盲源分离、图像处理、语言识别、通信、生物医学信号处理、脑功能成像研究、故障诊断、特征提取、金融时间序列分析和数据挖掘等。

- 9 -

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

盲源分离技术是近二十年发展起来的一门新型科学，在各国科学家和研究人员的努力下获得了充分的发展，但是ICA的研究方兴未艾，它毕竟是一个涉及面广并且仍处于发展前沿的课题，在理论上还远没有成熟，许多问题有待进一步研究和解决。

(1)带噪混合信号的盲分离问题。盲信号处理中的未知条件太多，混合信号含有噪声的情况下的盲源分离问题解决起来是相当困难的。尽管目前已有部分算法对存在噪声的情况表现出了良好的性能，但由于噪声种类繁多，因此处理起来仍很棘手。现有的大多数盲源分离或盲解卷积算法都假设不含噪声或者把噪声看作是一个独立的信源信号来处理。

(2)非平稳混合信号的盲源分离算法。许多情况下源信号可能是非平稳的，如何利用信号的非平稳特性进行盲源分离是摆在广大研究人员面前的一个现实问题。

(3)卷积混合信号的盲源分离算法。在实际中，系统接收到的混合输入信号是源信号经过不同的传播途径到达接收器。在这个过程中，不可避免的存在信号的时延和反射。针对这种情况的盲源分离算法还很不成熟。

(4)ICA的推广应用。在算法应用方面，ICA可以取得进一步的发展，如可以在语音识别、图像处理、特征提取、医学信号处理方面作进一步的研究。目前的关键的问题是如何将理论算法转化为实际应用，以及如何建立更加符合实际情况的模型等。

(5)算法的收敛性。算法全局收敛性的研究，可以考虑将遗传算法、混沌算法等具有全局收敛性的优化算法和ICA结合起来，提高算法的全局收敛性。

2.3.2 ICA的基本原理

（1）无噪声的ICA模型

ICA作为生成模型的估计给定随即变量的一组观测x1(t),x2(t),x3(t)…xn(t)，其中t是时间或者样本标号，假设它们有独立成分线性混合而产生：

- 10 -

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

?s1(t)??x1(t)?????s(t)x(t)2??2???s3(t)??x3(t)?????s(t)x(t)?4? (2-1) ?4?=A??式中，A是某个未知矩阵。

用向量-矩阵符号方式表示通常比上面的求和表达式更为方便。用随机向量x来表示混合向量，其元素分别为x1,...,xn，同样地，用s来表示元素s1,...sn，用矩阵A表示那些混合系数aij。所有的向量都理解为列向量；这样x或者称x的转

T置就是一个行向量。利用向量和矩阵符号表示，混合模型可以写为：

x?As (2-2) x??aisii?1n有时我们需要使用矩阵A中的列向量，如果将其表示为,则模型也可以写为：

(2-3)

（2）有噪声的ICA模型

将基本的ICA模型扩展到有噪声的情形，并且假设噪声是以加性噪声形式存在的。这是一个相当现实的假设，因为加性噪声是因子分析和信号处理中通常研究的标准形式，具有简单的噪声模型表达方式。因此，噪声ICA模型可表示为：

x?As?n (2-4)

式中，

n??n1,...nn?T是噪声向量。

信号源噪声，即直接添加到独立成分（即信号源）上的噪声。信号源噪声可用与式（2.1）稍有差别的下式来表示：

x?A(s?n) (2-5)

实际上，如果可以直接考虑带噪声的独立成分，那么可将此模型写为：

~x?As (2-6)

可以看出，这就是基本的ICA模型，只是独立成分本身变了。

- 11 -

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

致 谢

四年的读书生活在这个季节即将划上一个句号，而于我的人生却只是一个逗号，我将面对又一次征程的开始。四年的求学生涯在师长、亲友的大力支持下，走得辛苦却也收获满囊，在论文即将付梓之际，思绪万千，心情久久不能平静。 伟人、名人为我所崇拜，可是我更急切地要把我的敬意和赞美献给一位平凡的人，我的导师--郭一娜老师。我不是您最出色的学生，而您却是我最尊敬的老师。您治学严谨，学识渊博，思想深邃，视野雄阔，为我营造了一种良好的精神氛围。授人以鱼不如授人以渔，置身其间，耳濡目染，潜移默化，使我不仅接受了全新的思想观念，树立了宏伟的学术目标，领会了基本的思考方式，从论文题目的选定到论文写作的指导,经由您悉心的点拨,再经思考后的领悟,常常让我有“山重水复疑无路,柳暗花明又一村”。

在本论文的写作过程中，郭老师倾注了大量的心血，从选题到开题报告，从写作提纲，到一遍又一遍地指出每稿中的具体问题，严格把关，循循善诱，在此我表示衷心感谢。

最后，我要借此机会感谢每一位我的老师和同学，没有你们就没有我的成长，没有我的成熟。真心的感谢你们！

- 37 -

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

参考文献

[1] 王家耀. 空间信息系统原理[M]. 北京: 科学出版社, 2001.

[2]李德仁, 王树良, 李德毅等. 论空间数据挖掘和知识发现的理论与方法[J]. 武汉大学学报(信息科学版), 2002,27(3): 221-233.

[3] 杨行峻,郑君里.人工神经网络与盲信号处理[M].北京：清华大学出 版社,2003:327-330.

[4] Hyvarinen A,Oja E.Independent Component Analysis by General Nonlinear Hebbian-like Learning Rules[J] .Signal Processing,1998,14(03): 301-313.

[5] 石庆研，黄建宇，吴仁彪.盲源分离及盲信号提取的研究进展[J].中国民航大学学报，2007,25(03):1-7.

[6] Comom P.Independent Component Analysis:A New Con-cept[J].Signal Processing, 1994,36(03):287-314.

[7] 赵艳.盲源分离与盲信号提取问题研究[D]. 西安:西安理工大学;2004. [8]Aapo Hyvarinen, Juha Karhunen, Erkki Oja. Independent Component Analysis. Wiley InterScience,2001

[9]T.W.Lee,M.LwwickiandM.Girolami,Blind source separation of more sources Tha nmixtures using over complete representations, IEEE Signal Processing Letters, 6(4):87-90,1999

[10]A.Jourjine,S.Rickard,andO.Yilmaz,Blindbseparationbofbdisjointorthogonal signals:Demixingnsourcesfrom2mixturesinProceedingsICASSP.2000,IEEEbPress,June5-9,2000,Istanbul,Turkey

[11]方元．Hands．free系统噪声抵消的研究．南京大学博士学位论文．2003．4 [12]张徽强．带噪语音信号的端点检测和声韵分离．国防科学技术大学硕士学位论文，2005．4

[13] 杨福生，洪波．独立分量分析的原理与应用嗍．北京：清华大学出版社，2003．

[14]王舒狲，方勇，梁越．基于盲源分离的语音识别前端语音净化处理研究[J]．电子技术应用，2005，(10)，5—8．

[15] 焦卫东 ,杨世锡 ,吴昭同.基于独立分量分析的噪声消除技术研究[J].浙江大学学报 工学版 ,2004 ,38 7 :8722876.

- 38 -

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

附 录

源程序： （1）

s1=wavread('Dkumar1.wav',5000); s2=wavread('Ganesh1.wav',5000); s3=wavread('Ganesh2.wav',5000); s4=wavread('kath2.wav',5000); s=[s1 s2 s3 s4]'; t=1:1:4;

a1=sign(cos(155*t));

a2=2*(sin(430*t)+sin(370*t)); a3=sign(cos(165*t));

a4=2*(sin(430*t)+cos(370*t)); A=[a1;a2;a3;a4]; X=A*S;

y = wgn(180,1,0); figure(1)

subplot(4,1,1); plot(a1(1,:)); subplot(4,1,2); plot(a2(2,:)); subplot(4,1,3); plot(a3(3,:)); subplot(4,1,4); plot(a4(4,:)); figure(2)

subplot(4,1,1); plot(S(1,:)); subplot(4,1,2); plot(S(2,:)); subplot(4,1,3); plot(S(3,:)); subplot(4,1,4); plot(S(4,:)); figure(3)

subplot(4,1,1); plot(X(,:)); subplot(4,1,2); plot(X(2,:)); subplot(4,1,3); plot(X(3,:)); subplot(4,1,4); plot(X(4,:));

- 39 -

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

figure(4)

subplot(4,1,1); plot(Y(1,:)); subplot(4,1,2); plot(Y(2,:)); subplot(4,1,3); plot(Y(3,:)); subplot(4,1,4); plot(Y(,:)); （2）

nS=awgn(S,5); N=nS-S;

[s_target,e_interf,e_noise,e_artif]= bss_decomp_gain(Y(1,:),1,S,N); [SDR,SIR,SNR,SAR]= bss_crit(s_target,e_interf,e_noise,e_artif); N=nS-S;

[s_target,e_interf,e_noise,e_artif]= bss_decomp_gain(Y(2,:),2,S,N); [SDR,SIR,SNR,SAR]= bss_crit(s_target,e_interf,e_noise,e_artif); N=nS-S;

[s_target,e_interf,e_noise,e_artif]= bss_decomp_gain(Y(3,:),3,S,N); [SDR,SIR,SNR,SAR]= bss_crit(s_target,e_interf,e_noise,e_artif); N=nS-S;

[s_target,e_interf,e_noise,e_artif]= bss_decomp_gain(Y(4,:),4,S,N); [SDR,SIR,SNR,SAR]= bss_crit(s_target,e_interf,e_noise,e_artif); （3）

SNR=[3.1948 8.3528 0.2146 0.4954];SOBI=[42.8626 38.6890 27.4791 28.1309];FPICA=[37.7358 38.7050 28.6158 33.4281];CICA=[321.6893 325.5677 323.2908 322.1231]; >> plot(SOBI) hold on;

plot(FPICA,'*-') hold on;

plot(CICA,'--') hold on;

plot(SNR, '^-')

- 40 -

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

3.1.2 不同算法的分离性能比较

SOBI算法利用了源信号的频谱差异性来分离源信号，当源信号中存在频谱结构相似的分量时，分离性能便会较差，这是SOBI算法的缺点。

FastICA算法的特点:

1．在1CA模型中，FastICA算的收敛速度是二次以上的，而梯度搜索法只是一次收敛。

2．与梯度搜索法相比，FastlCA的步长参数容易确定。 3该算法适用于任何非高斯信号。

4．可以通过选择不同的非线性函数G(Y)使算法的获得不同的性能。基F独立分量分析的混合语音信号自分离系统的研究

5．可以逐个的估计独立分量。

6该算法是并行的、分布的，且计算简单，需要的内存较少。

FastlCA算法和其他的ICA算法相比，有着许多我们期望的特性：收敛速度快；和梯度算法不同，无需选择步长参数，易于使用；该算法能适用于任何非高斯信号；可以通过使用不同的非线性函数G-(y)使算法获得不同的性能；独立分量可被逐个估计出来，这在仅需要估计几个独立分量的情况下，能减小计算量：FastICA算法有许多神经算法的优点：并行、分布、计算简单，内存要求小。

3.2 抑制噪声的算法仿真及结果分析

3.2.1 抑噪算法仿真实现

下面仿真中所使用的语音源信号是在干扰噪声很小的环境下用麦克风录制的4段不同的语音文件，保存成*.wav文件Dkumar1.wav, Ganesh1.wav, Ganesh2.wav, Kath2.wav，四个男声采样率均为44100Hz，持续时间为7s，采样点数为5000。 图41是这4个语音源信号的时域波形,图中的横坐标表示样本点数，纵坐标表不语音信号的幅度水平。

原始的语音信号如下:

- 17 -

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

20-250amplitudex 10-30500-3x 1010001500200025003000源信号13500400045005000-520-250-50x 10-350010001500200025003000源信号235004000450050000x 10-350010001500200025003000源信号33500400045005000050010001500200025003000源信号4sample3500400045005000

图3.2.1 原始语音信号S

该仿真的混合矩阵是由计算机在ICALAB工具箱环境下产生的，参数见下图：

图3.2.2 矩阵A参数

即该矩阵为一个4x4的方阵:

- 18 -

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

??1.0000??0.5250A????1.0000??2.2949混合后的语音信号:

x 10-3?1.0000?3.4057?1.0000?1,12101.0000?1.0000?0.1582?2.6094?? 1.00001.0000??0.8096?3.9043?50-50.010amplitude050010001500200025003000混合信号13500400045005000-0.0150-50.020-0.020x 10-350010001500200025003000混合信号23500400045005000050010001500200025003000混合信号33500400045005000050010001500200025003000混合信号4sample3500400045005000

图3.2.2 混合信号X

SOBI算法将观察信号x1，x2，x3，x4分离，得到分离后信号y1，y2，y3，y4，分别对应源得到的分离信号Y:

- 19 -

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

50-520amplitudex 10705005x 1010001500200025003000分离信号13500400045005000-210-110-105007x 1010001500200025003000分离信号2350040004500500005006x 1010001500200025003000分离信号33500400045005000050010001500200025003000分离信号4sample3500400045005000

图3.2.3 分离信号X

从试验结果，我们可以看出分离语音信号从波形上看很好地保持了原始信号 的波形，而且实际分离的语音信号在听觉上也很好的实现了分离，而且几乎没有什么失真效果。

3.2.2分离结果分析

我们分别使用SOBI、FastICA和CICA算法对Dkumar1.wav ,Ganesh1.wav, Ganesh2.wav, Kath2.wav 作为源信号的混叠进行盲分离试验，且每种算法分别加入5dB、10dB、15dB的高斯噪声，从中分离出的四个源信号的近似值y1，y2，y3和y4，我们分别用三种上述的盲分离的算法针对本文给出的混合语音信号进行分离并比较每个算法分离后的波形图。

下面采用SOBI法、FastICA法和CICA法对混合信号进行分离．SOBI法的分离结果如图441所示，FastICA法的分离结果如图442所示，CICA法的分离结果如图4 43所示。

- 20 -

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

图3.2.1 SOBI算法在ICA工具箱的实现

图3.2.2 FPICA算法在ICA工具箱的实现

- 21 -

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

图3.2.3 CICA算法在ICA工具箱的实现

（1）未加噪声的分离信号：

- 22 -

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

50-520amplitudex 107分离信号（无噪声）05005x 10100015002000250030003500400045005000-210-110-105007x 1010001500200025003000350040004500500005006x 1010001500200025003000350040004500500005001000150020002500sample30003500400045005000

图3.2.4 无噪声的分离结果

(2) 加入噪声为5dB的分离信号Y：

x 107分离信号（含5dB噪声）50-510-1amplitude05007x 1010001500200025003000350040004500500050-550-505007x 1010001500200025003000350040004500500005006x 1010001500200025003000350040004500500005001000150020002500sample30003500400045005000图3.2.5 利用SOBI法的分离结果

- 23 -

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

分离信号（含5dB噪声）50-5amplitude050010001500200025003000350040004500500050-550-550-505001000150020002500sample3000350040004500500005001000150020002500300035004000450050000500100015002000250030003500400045005000图3.2.6 利用FPICA法的分离结果

分离信号（含5dB噪声）50-550500100015002000250030003500400045005000amplitude0-550-550-505001000150020002500sample3000350040004500500005001000150020002500300035004000450050000500100015002000250030003500400045005000

图3.2.7 利用CICA法的分离结果

（3) 加入噪声为10dB的分离信号Y：

- 24 -

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

50-505006x 10100015002000250030003500400045005000x 107分离信号（含10dB噪声）amplitude10-150-550-505007x 1010001500200025003000350040004500500005006x 1010001500200025003000350040004500500005001000150020002500sample30003500400045005000

图3.2.8 利用SOBI法的分离结果

分离信号（含10的B噪声）50-55amplitude05001000150020002500300035004000450050000-550-550-505001000150020002500sample3000350040004500500005001000150020002500300035004000450050000500100015002000250030003500400045005000

图3.2.9 利用FPICA法的分离结果

- 25 -

褚晓梅：基于盲源分离技术的语音信号噪声分析与处理

分离信号（含10dB噪声）50-55amplitude05001000150020002500300035004000450050000-5050-550-505001000150020002500sample300035004000450050000500100015002000250030003500400045005000500100015002000250030003500400045005000

图3.2.10 利用CICA法的分离结果

（3) 加入噪声为15dB的分离信号Y：

x 107分离信号（含15dB噪声）50-5amplitude10-110-150-505006x 1010001500200025003000350040004500500005006x 1010001500200025003000350040004500500005006x 1010001500200025003000350040004500500005001000150020002500sample30003500400045005000

图3.2.11 利用SOBI法的分离结果

- 26 -

本文来源：https://www.bwwdw.com/article/wzrf.html