语音信号盲分离算法研究

第２９卷第１２期　２００８年１２月　哈尔滨工程大学学报　Ｊｏｕｒｎａｌ　ｏｆ　Ｈａｒｂｉｎ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　Ｖｏ１．２９　Ｎｏ．１２　Ｄｅｃ．２００８　

复值信号盲分离算法的研究　

赵立权，杨莘元，张朝柱，贾雁飞　

（哈尔滨工程大学信息与通信工程学院，黑龙江哈尔滨１５０００１）　

摘要：针对现有盲源分离算法适用范围受限、收敛速度过慢等问题，提出了一种适用于任意非高斯统计独立的　复值信号快速盲分离算法．该算法以复值信号的峭度最大化为目标函数，采用修正的复值拟牛顿迭带算法对目标　函数优化．分别用圆对称和非圆对称复值信号以及二者混合信号作为信号源对该算法和现有算法进行仿真对比．　实验结果表明，该算法相对现有算法，不但很好地分离出非圆对称复值信号和圆对称复值信号，对于二者混合的　信号仍有很好的分离效果，而且具有收敛速度快、不需要步长调节参数、分离误差小等优点．　关键词：盲源分离；复值信号；强不相关变换；伪协方差　中图分类号：ＴＮ９１１．７２文献标识码：Ａ文章编号：１００６—７０４３（２００８）１２—１３３５—０５　

Ａ　ｂｌｉｎｄ　ｓｅｐａｒａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｆｏｒ　ｃｏｍｐｌｅｘ。。ｖａｌｕｅ　ｓｉｇｎａｌ　ｓｏｕｒｃｅｓ　

ＺＨＡＯ　Ｌｉ—ｑｕａｎ，ＹＡＮＧ　Ｓｈｅｎ—ｙｕａｎ，　

（Ｃｏｌｌｅｇｅ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　ａｎｄ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｈａｒｂｉｎ　ＺＨＡＮＧ　Ｃｈａｏ—ｚｈｕ，ＪＩＡ　Ｙａｎ－ｆｅｉ　

Ｅｎｇｉｎｅｅｒｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ　１５０００１，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｃｕｒｒｅｎｔ　ｂｌｉｎｄ　ｓｏｕｒｃｅ　ｓｅｐａｒａｔｉｏｎ　ａｌｇｏｒｉｔｈｍｓ　ｈａｖｅ　ｌｉｍｉｔｅｄ　ｒａｎｇｅｓ　ｏｆ　ａｐｐｌｉｃａｔｉｏｎ　ａｎｄ　ｔｈｅｉｒ　ｃｏｎｖｅｒ—　

ｇｅｎｃｅ　ｒａｔｅ　ｉｓ　ｔｏｏ　ｓｌｏｗ．Ｔｏ　ｏｖｅｒｃｏｍｅ　ｔｈｉｓ，ｔｈｅ　ａｕｔｈｏｒｓ　ｄｅｖｅｌｏｐｅｄ　ａ　ｋｉｎｄ　ｏｆ　ｆａｓｔ　ｂｌｉｎｄ　ｓｅｐａｒａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　

Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用　

改进ＦＯＡ算法在语音信号盲分离中的应用　

肖正安　

ＸＩＡＯ　Ｚｈｅｎｇ’ａｎ　

湖北第二师范学院物电学院，武汉４３０２０５　

Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｐｈｙｓｉｃｓ　ａｎｄ　Ｅｌｅｃｔｒｏｎｉｃ　Ｉｎｆｏｒｍａｔｉｏｎ，Ｈｕｂｅｉ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｅｄｕｃａｔｉｏｎ，Ｗｕｈａｎ　４３０２０５，Ｃｈｉｎａ　

ＸＩＡＯ　Ｚｈｅｎｇ’ａｎ．Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｉｍｐｒｏｖｅｄ　ＦＯＡ　ｏｎ　ａｕｄｉｏ　ｓｉｇｎａｌ　ｂｌｉｎｄ　ｓｅｐａｒａｔｉｏｎ．Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａ—　

ｔｉｏｎｓ，２０１３，４９（１６）：２０１－２０４．　

Ａｂｓｔｒａｃｔ：Ｔｈｅ　ｂａｓｉｃ　ｔｈｅｏｒｙ　ｏｆ　Ｆｒｕｉｔ　Ｆｌｙ　Ｏｐｔｉｍｉｚａｔｉｏｎ　Ａｌｇｏｒｉｔｈｍ（ＦＯＡ）ｉｓ　ｉｎｔｒｏｄｕｃｅｄ．Ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅ　ｓｔａｂｉｌｉｔｙ　ａｎｄ　Ｃｏｎｖｅｒ－　

ｇｅｎｃｅ　ｏｆ　ＦａｓｔＩＣＡ　ｉｓ　ｎｏｔ　ｅｎｏｕｇｈ，ａｎｄ　ｔｈｅ　Ｂｌｉｎｄ　Ｓｏｕｒｃｅ　Ｓｅｐａｒａｔｉｏｎ（ＢＳＳ）ｏｆｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｉｓ　ｎｏｔ　ｆａｓｔ　ｅｎｏｕｇｈ，ｔｈｅ　

ｉｍｐｒｏｖｅｄ　ｆｒｕｉｔ　ｆｌｙ　ｏｐｔｉｍｉｚａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｂｅｉｎｇ　ａｐｐｌｉｅｄ　ｉｎ　ｒｅｓｅａｒｃｈｉｎｇ　ｏｆ　ＢＳＳ，ａｎｄ　ａ　Ｄｅｗ　ＢＳＳ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｐｒｏｐｏｓｅｄ．Ｔｈｅ　ａｂ—　

ｓｏｌｕｔｅ　ｖａｌｕｅ　ｏｆ　ｎｏｒｍａｌｉｚｅｄ　ｆｏｕｒｔｈ－－ｏｒｄｅｒ　ｃｕｍｕｌａｎｔ　ｉｓ　ｕｓｅｄ　ｉｎ　ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ａｓ　ｃｏｓｔ　ｆｕｎｃｔｉｏｎ　ａｎｄ　ｔｈｅ　ｉｍｐｒｏｖｅｄ　Ｆｒｕｉｔ　Ｆｌｙ　Ｏｐｔｉｍｉｚａ－－　

Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用　＠数据库、信号与信息处理＠　ＰＣＡ与ＩＣＡ相结合的语音信号盲分离　王玉静，于凤芹　ＷＡＮＧＹｕｊｉｎｇ，ＹＵＦｅｎｇｑｉｎ　江南大学物联网工程学院，江苏无锡２１４１２２　Ｓｃｈｏｏｌ　ｏｆ　Ｉｎｔｅｒｎｅｔ　ｏｆ　Ｔｈｉｎｇｓ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｊｉａｎｇｎａｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｗｕｘｉ，Ｊｉａｎｇｓｕ　２　１　４　１　２２，Ｃｈｉｎａ　ＷＡＮＧ　Ｙｕｊｉｎｇ．ＹＵ　Ｆｅｎｇｑｉｎ．Ｂｌｉｎｄ　ｓｅｐａｒａｔｉｏｎ　ｆｏｒ　ｓｐｅｅｃｈ　ｓｉｇｎａｌ　ｂａｓｅｄ　ｏｎ　ＰＣＡ　ａｎｄ　ＩＣＡ．Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒ－　ｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ，２０１２，４８（１０）：１２４—１２７．　Ａｂｓｔｒａｃｔ：Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｓｏｌｖｅ　ｔｈｅ　ｓｌｏｗ　ｃｏｎｖｅｒｇｅｎｃｅ　ｐｒｏｂｌｅｍ　ｏｆ　ＩＣＡ　ｂａｓｅｄ　ａｌｇｏｒｉｔｈｍ　ａｎｄ　ｈｉｇｈ　ｃｏｍｐｕｔａｔｉｏｎａｌ　ｃｏｓｔ　ｄｕｅ　ｔｏ　ｅｘｃｅｓｓｉｖｅ　ａｍｏｕｎｔ　ｄａｔａ，ａｎ　ｂｌｉｎｄ　ｓｅｐａｒａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ＰＣＡ－ＩＣＡ　ｆｏｒ　ｓｐｅｅｃｈ　ｓｉｇｎａｌ　ｉｓ　ｐｒｏｐｏｓｅｄ．ＰＣＡ　ｉｓ　ｕｓｅｄ　ｔｏ　ｒｅｍｏｖｅ　ｔｈｅ　ｓｅｃｏｎｄ－ｏｒｄｅｒ　ｃｏｒｒｅｌａｔｉｏｎｓ　ａｍｏｎｇ　ｄｉｆｅｒｅｎｔ　ｄｉｍｅｎｓｉｏｎｓ　ｏｆ　ｆｅａｔｕｒｅ　ｆｒｏｍ　ｏｒｉｇｉｎａｌ　ｄａｔａ．Ｕｓｉｎｇ　ｓｉｍｉ－　ｌａｒｉｔｙ　ｃｏｅｆｆｉｃｉｅｎｔ　ｍａｔｒｉｘ　ａｓ　ｔｈｅ　ｓｅｐａｒａｔｉｏｎ　ｅｆｆｅｃｔ　ｓｔａｎｄａｒｄ，ｔｈｅ　ｓｉｍｕｌａｔｉｏｎ　ｅｘｐｅｒｉｍｅｎｔ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｍｅｔｈｏｄ　ｃａｎ　ｒｅｄｕｃｅ　９０％ｏｆ　ｉｔｅｒａｔｉｏｎｓ　ａｎｄ　ｉｓ　３　ｔｉｍｅｓ　ｆａｓｔｅｒ　ｃｏｍｐａｒｅｄ　ｗｉｔｈ　ＩＣＡ　ｗｉｔｈ　ｔｈｅ　ｓａｍｅ　ｓｅｐａｒａｔｉｏｎ　ａｃｃｕｒａｃｙ．　Ｔｈｕｓ　ｔｈｅ　ＩＣＡ—ＰＣＡ　ａｌｇｏｒｉｔｈｍ　ｅｆｆｅｃｔｉｖｅｌｙ　ｓｏｌｖｅｓ　ｔｈｅ　ｓｌｏｗ　ｃｏｎｖｅｒｇｅｎｃｅ　ｐｒｏｂｌｅｍ　ｏｆ　ｏｒｉｇｉｎａｌ　ＩＣＡ　ｍｅｔｈｏｄ．　Ｋｅｙ　ｗｏｒｄｓ：ｂｌｉｎｄ　ｓｏｕｒｃｅ　ｓｅｐａｒａｔｉｏｎ；ｉｎｄｅｐｅｎｄｅｎｔ　ｃｏｍｐｏｎｅｎｔ　ａｎａｌｙｓｉｓ；ｐｒｉｎｃｉｐｌｅ　ｃｏｍｐｏｎｅｎｔ　ａｎａｌｙｓｉｓ　摘要：针对ＩＣＡ用于语音信号盲分离时，由于数据量过大、迭代次数过多引起的收敛速魔睫的问题，采用一种　ＰＣＡ和ＩＣＡ￣Ｉ结合的盲分离算法ＰＣＡ．ＩＣＡ。通过ＰＣＡ对混合语音信号进行白化处理，消除了原始各道数据间　的二阶相关性。在仿真实验中，采用相似系数矩阵作为评价混合语音信号分离效果的标准，结果表明　ＰＣＡ—ＩＣＡ算法与ＩＣＡ算法相比，在达到几乎相同的相似系数矩阵的情况下，迭代次数减少了９０％，从而分离速　度提高了３倍，有效地解决了ＩＣＡ分离算法收敛速度慢的问题。　关键词：盲源分离；独立分量分析；主成分分析　文章编号：１００２—８３３１（２０１２）１０—０１２４—０４　文献标识码：Ａ　中图分类号：ＴＮ９１２　１引言　盲源分离（Ｂｌｉｎｄ　Ｓｏｕｒｃｅ　Ｓｅｐａｒａｔｉｏｎ，ＢＳＳ）是指　在不知道任何先验知识或者知其少量先验知识的情　况下，由多通道系统的输出数据来判断其输入数据　和传递函数的过程ｎ　。混合语音信号的盲分离是盲　源分离问题研究的初衷，并在解决典型的“鸡尾酒会　问题”、构建远程会议、改善移动电话通话质量等方　面得到广泛的应用。常用的语音信号盲分离算法有　神经网络算法、联合对角化算法、独立分量分析（Ｉｎ—　ｄｅｐｅｎｄｅｎｔ　Ｃｏｍｐｏｎｅｎｔ　Ａｎａｌｙｓｉｓ，ＩＣＡ）等。ＩＣＡ是将　多道观测信号基于高阶统计独立的原则，通过优化　算法分解为若干独立成分，从而实现信号分解的方　法。目前对ＩＣＡ的研究工作大概分为两类：其一是特　定条件下的有效算法，如最大熵ＩＣＡ算法伫　、互信息　极小ＩＣＡ算法　等。其二是改进现有的算法　，提高　算法的分离精度和实时陛。　ＩＣＡ用于语音信号盲分离时的核心任务是求分　离矩阵，这是一个纯数学矩阵的变换过程，由于计算　的数据量过大和迭代的次数过多会引起收敛速度慢　的问题。对此，本文采用一种主成分分析（Ｐｒｉｎｃｉｐｌｅ　基金项目：国家自然科学基金（Ｎｏ．６１０７５００８）。　作者简介：王玉静（１９８６一），女，硕士，主要研究领域为语音信号处理；于凤芹（１９６２一），女，博士，教授，主要研究领域为语音信号　处理。Ｅ—ｍａｉｌ：ｑｄｌｇｗａｎｇｊｉｅ＠１２６．ｃｏｍ　收稿日期：２０１１．０１．０５　修回日期：２０１１．０３．０１　ＣＮＫＩ出版日期：２０１ｌ一０７—２５　ＤＯＩ：１０．３７７８／ｊ．ｉｓｓｎ．１００２—８３３１．２０１２．１０．０２７　ｈｔｔｐ：／／ｗｗｗ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２１２７．ＴＲ２０１１０７２５．１６３２．０９１．ｈｔｍｌ

第17卷第4期2017年2月 1671 —1815(2017)04-0087-05科学技术与工程Science Technology and EngineeringVol. 17 No. 4 Feb. 2017© 2017 Sci. Tech. Engrg.

改进的语音频域盲分离算法

王霞1尹晶凡^ 王光艳2张艳1

(河北工业大学电子信息工程学院1 ,天津300401;天津商业大学信息工程学院2,天津300134)

摘要针对语音信号频域盲分离的排序问题，研究了幅值函数和频点间距对信号相关性的影响，提出了利用短时平均幅度 函数和加入频点系数的方法对算法进行改进。改进算法考虑了幅值函数的稳定性和远距离频点的不可靠性，最终实现全部 频点的排序。仿真实验对两种不同情况下混合的语音信号进行分离，结果表明改进算法的有效性。关键词频域盲分离 排序 相关函数 频点系数中图法分类号TP391.42; 文献标志码A

盲源分离的实质是在源信号和信道特征未知的

情况下，根据观测信号估计出源信号的一种信号处

理方法。按信号的混合方式可以分为瞬时混合模型

和卷积混合模型，其中卷积混合模型更接近真实的

语言环境。按信号处理域可以分为时域和频域两种

解决方法[1]。时域算法随着混合滤波器长度的增

加，计算量也会急剧增加且存在不易收敛的问题;频

域算法利用时频变换把时域信号转换到频域，再对

每个频点独立运用复数盲分离算法[2]，但是频域处

理方法存在幅度和顺序不确定的问题。

解决幅度不确定的问题通常采用归一化分离矩 阵的方法，顺序不确定问题主要有两类解决方法，一 类方法利用阵列信号处理中波达角（D0A)估计[3]，

以D0A为特征对每个频点上的独立分量进行类聚，

确定每个分量对应的信号源，此方法鲁棒性较好，但

是需要大量的先验信息;另一类方法是利用频谱的

幅度信息，同一语音信号相邻频点频谱幅度具有很 高的相关性[4’5]，Murata以相邻两个或几个频点幅