结合主分量分析与DOA估计的语音盲分离

在欠定语音盲分离中,W-分离正交性假设通常使问题简化,但这种简化是以降低分离性能为代价。在语音信号满足近似W-分离正交性的假设下,提出利用主分量分析(PCA)检测只有一个源信号存在的时频点,检测出的时频点均满足W-分离正交性,因此提高了混合矩阵的估计精度。通过从混合矩阵中估计源信号的波达方向,可以较好地解决置换模糊问题。仿真结果表明,提出的方法与经典的DUET方法相比具有更优的性能,平均信干比提高了2.77dB。

基于小波变换和独立分量分析的含噪混叠语音盲分离

含噪混叠语音的分离是语音信号处理中的重要研究问题。该文针对语音信号的非平稳特性与不同语音源之间的相互独立性,提出用小波变换与独立分量分析相结合的方法来进行分离。首先利用小波变换分别对各含噪混叠语音进行消噪,然后用独立分量分析的方法对消噪后的混叠信号进行分离,最后进一步对分离信号作矢量归一和再消噪处理,得到各个语音源信号的最终估计。仿真结果表明这种方法取得了很好的分离效果。

基于核主分量分析和典型相关分析的语音情感识别

核主分量分析(Kernel principal component analysis,KPCA)是一种利用核方法将主分量分析(Principal component analysis,PCA)推广后的学习方法,KPCA方法能够使得输入空间线性不可分的样本在特征空间有更好的可分性。典型相关分析(Canonical correlation analysis,CCA)是分析两组随机变量之间的相关性的一种统计方法。本文提出将KPCA方法用于语音情感识别中,并采用KPCA和CCA结合的方法用于情感识别。与传统的PCA方法进行了对比,研究结果表明基于KPCA及KPCA+CCA的情感识别有较好的效果。

基于主分量分析的语音信号压缩感知

压缩感知理论是近年来兴起的一个新的研究热点。寻求适合于语音信号的稀疏基是压缩感知理论应用到语音信号处理领域的前提。本文基于主分量分析理论和大量的块数据,提取语音信号的特征信息,并根据压缩感知理论、字典构造的方法以及语音信号的特点,构造出一种适合于语音信号稀疏表示的冗余字典。该冗余字典是由多个正交基级联而成。为了更为客观的说明这种稀疏表示的优势,采用平均gini系数来比较语音信号在DCT基、GABOR基和该冗余字典下的稀疏性,并且分别对男女声语音信号和清浊音进行了分析。实验表明,无论是男声信号还是女声信号,清音还是浊音,在该冗余字典下的稀疏性均优于DCT基,与GABOR基相近,但是由于其原子数远少于GABOR基,其计算的复杂度和存储量均低于GABOR基,因而比GABOR基更具可用性。

改进的快速独立分量分析在语音分离系统中的应用

为了提高语音分离系统的处理速度和去除其内部噪声,提出了改进的快速独立分量分析算法。首先,运用时频二值掩蔽模型,在前期的处理中滤除语音数据中的部分噪声。其次,运用牛顿插值的思想,用一阶均差来代替迭代中的求导,提高语音信号分离速度。最后,建立系统分离模型和三麦克风阵列,并进行改进算法与经典算法的处理时间的对比实验。实验结果表明,该算法可以实现对一段包括人声、音乐声和随机噪声的混合语音的分离,并且处理效率比经典算法提高了13.5%。

基于主分量分析的变分贝叶斯独立分量分析的盲源分离方法

针对传统基于随机初始化的变分贝叶斯独立分量分析(VBICA)方法的不足,即随机初始化导致经过不同的学习得到的分离结果存在差异性,提出了一种基于主分量分析(PCA)的变分贝叶斯独立分量分析的盲源分离方法,在提出的方法中,利用PCA来初始化模型参数。并与传统的变分贝叶斯独立分量分析方法进行对比。仿真结果验证了该方法的有效性,提出的方法不仅比传统的VBICA方法取得了更好的分离性能,并且保持分离结果的稳定性,克服了传统的VBICA方法的不足。

独立分量分析与时频掩蔽结合的语音盲分离

针对语音信号的欠定卷积混合模型,提出一种基于快速独立分量分析和自适应非线性二元时频掩蔽的语音盲分离方法。对输入的混合语音信号进行快速独立分量分析,将结果进行自适应非线性二元时频掩蔽;重复进行这两步处理,直到分离出所有的语音源信号。将分离出的语音源信号,再通过二元时频掩蔽合并可提高输出的质量,分离出的语音信号仍然能保留双声道立体声的效果。实验表明,该方法的性能大大优于DUET方法和BLUES方法,信噪比增益大幅提高。

基于仿射投影-非线性主分量分析的盲源分离

仿射投影算法(APA)重复利用数据,可提高算法的收敛速度。针对现有盲源分离收敛速度慢的问题,以盲源分离的非线性主分量分析(PCA)为基础,结合仿射投影算法,提出了盲源分离的非线性APA-PCA准则,并设计出盲源分离的APA-Kalman,APA-RLS,APA-LMS新算法。在这些新算法中,预白化后的观测向量数据被重复利用,向量式数据转变成矩阵式数据,从而加快了盲源分离的收敛速度。仿真结果表明,非线性APA-PCA准则是有效的。

基于独立分量分析的瞬时混合语音信号盲分离算法研究

近些年,信号处理在理论与方法方面发展速度很快,独立分量分析技术已成了信号处理领域内重要的组成部分。讨论了线性瞬时混合情况下,语音信号盲分离的算法,阐述了算法的原理,并进行了实验仿真,以此来证明算法的有效性。

信号盲分离的非线性主分量分析算法

主分量分析是统计信号处理中常用的算法 ,将非线性引入主分量分析算法 ,可以完成对输入信号独立分量的分离 .分析认为现有的非线性主分量分析算法只能实现实数信号的分离 ,对复数信号无效 .通过对非线性函数进行修改 ,提出了一种非线性主分量分析复数算法 ,成功地实现了复数信号的盲分离 .文中还借助于计算机仿真 ,对实数和复数算法分离亚高斯和超高斯信号混合的特性进行了分析评价 .

稀疏分量分析在水下盲语音分离中的应用研究

引言:盲语音分离模拟人耳的“鸡尾酒会”效应,仅根据观测信号,便可提取或分离出目标语音信号。独立分量分析(ICA)已成为盲语音分离的主要分析方法,但ICA方法要求观测信号个数多于或等于源信号个数。事实上,观测信号个数少于源信号个数的欠定情况更普遍。稀疏分量分析(Sparse Component Analysis,SCA)利用信号在时频域的稀疏性,可以较好地解决欠定盲源分离的问题。1998年,Lewicki等首先提出利用信号的稀疏性进行欠定盲源分离。Zibulevsky较早提出利用最大似然估计和最大后验概率估计出混合矩阵和源信号。2001年Bofill等首次采用“两步法”对只具有2路观测信号的欠定盲分离问题进行分析。2004年,Cichocki等利用文献中的算法进行了欠定源信号的恢复。

基于核独立分量分析的混合语音信号分离

提出利用核独立分量分析来分离混合语音信号的盲信号处理方法.介绍了基于核函数ICA的原理和基本算法,然后利用该方法分离混合语音信号.实验结果表明:利用基于核独立分量分析的方法可以得到较为理想的波形.

语音信号的主分量特征

利用曲线拟合与主分量分析神经网络相结合的方法，提出了一种既反映声道变化规律又符合人耳听觉特点的语音识别新特征． 与其他神经网络识别特征相比，新特征不仅可以提高语音识别准确率，而且具有算法简单、存储容量小、便于实时实现的特点．

基于独立分量分析的单通道语音增强算法

传统的独立分量分析要求观测信号的个数不能小于源信号的个数,无法直接对单路信号进行独立分量分析。为了能够利用独立分量分析分离加性噪声,须构造一路观测信号。基于语音信号的短时平稳的特性,该文提出一种构造噪声信号的算法,实现了信号与噪声的分离。仿真结果表明,利用该算法可得到很好的消噪结果,提高信号的信噪比。

基于参考独立分量分析的语音增强方法

参考独立分量分析(independen t com ponen t ana lys is w ith reference,ICA-R)将源信号的先验知识以参考信号的形式引入学习算法中,可以从混合信号中仅抽取期望的源信号.基于ICA-R提出了一种语音增强新方法.通过比较语音信号和多种噪声信号的特点,合理地构造了具有语音信号重要特性的参考信号,进而应用ICA-R从多种加性噪声中抽取了期望增强的语音信号.计算机仿真和性能分析结果均表明了该方法的有效性.

基于独立分量分析的动车组模型噪声分离

研究表明高速列车的噪声由多种因素混合而成,有效的分离出各种噪声对列车的减振降噪具有重要意义.针对动车组模型试验提出一种适用于分离试验段观测噪声的盲源分离方法.对观测噪声进行EEMD分解,使单通道欠定问题转化为正定问题;利用主成分分析进行源信号数目的估计,提出利用至少包含源信号信息90%的主成分重构观测信号;对重构的观测信号利用独立分量分析进行分离.仿真实验说明该方法可有效的分离出源信号.在动车组模型风洞试验中,试验段传声器的观测信号主要是由气动噪声和风机振动噪声混合而成,所估计的源信号数目与试验条件一致.分离出的气动噪声和风机振动噪声源信号与原始源信号的主要频率一致,相关系数都大于0.65,属于强相关,说明了该方法对动车组模型试验噪声分离的有效性.

结合主分量分析及Fisher准则的说话人识别方法研究

本文提出了一种基于主分量分析和Fisher准则的新的Mel频率域特征参数。它是在Mel域频谱的基础上做主分量分析,并且根据Fisher准则,按Fisher比的大小进行特征参量的选择而得到的。它充分的利用了各频带间的相关统计信息,能更紧致有效的区分说话人。这样得到的特征矢量,与传统的按相应特征值进行特征选择的方法相比,在相同维数时具有最大的类别区分度。最后我们实现了一个文本无关的说话人自动识别系统,它的后端采用矢量量化实现聚类分析。在语音库上的实验表明本文的特征矢量在说话人识别上比相同维数的传统特征矢量识别率更高,证实了它紧致、区分度好、冗余信息少的优良性能。

独立分量分析盲源分离研究

独立分量分析(ICA)作为一种有效的盲源分离技术已成为信号处理领域的热点,但其收敛速度较慢。为此文章简要介绍了有关独立分量分析的基本理论和算法,重点研究了快速定点(FastICA)算法,利用该算法有效地解决了噪声在语音信号中的分离问题。在采集了4个声音信号后,将4个原始信号进行混叠,使用FastICA方法对混叠信号进行分离,将分离结果与原始信号波形进行比对,结果说明该算法具有良好的分离效果。

改进的独立分量分析算法的图像分离技术研究

独立分量分析(ICA)是在盲源分离(BSS)的研究过程中出现的一种全新信号处理和数据分析方法,该方法基于信号的高阶统计量,在图像的处理中起着越来越重要的作用。文章主要将改进的ICA优秀算法优化,并运用于多通道混合图像分离与处理中,通过与基于特征分析的线性变换技术的对比,以及探讨噪声对混合图像的ICA分离的影响,取得了一些有价值的仿真实验结果。从实验结论可以看出,不同ICA算法在混合图像分离应用中的优势得以充分体现,分离有噪图像方面存在的缺陷以及改进方法同样值得关注。

基于独立分量分析的生理信号盲源分离(英文)

用于盲源分离的独立分量分析 (ICA)和扩展ICA算法 ,基于极大似然估计 ,给出一个衡量输出分量统计独立的目标函数 ,最优化该目标函数 ,得到一种用于独立分量分析的迭代算法。扩展ICA算法的优点在于迭代过程中不需要计算信号的高阶统计量 ,收敛速度快 ,同时适用于超高斯和亚高斯信号的分离。应用该算法实现了脑电、心电信号以及语音信号的分离 。