语音信号识别基于盲源信号分离的实现
82 浏览量
2020-10-20
17:49:13
上传
评论 1
收藏 251KB PDF 举报
语音信号识别基于盲源信号分离的实现语音信号识别基于盲源信号分离的实现
摘要：为了识别两路频谱混叠语音信号，多采用盲信号分离的方法。但是该方法在工程实践中实现较困难。因
此给出了一种利用盲源信号分离的原理及特点的实现方法，具体说明了用FastICA算法在ADSP_BF533平台上实
现盲源信号
摘要：为了识别两路频谱混叠语音信号，多采用
关键词：盲信号分离；DSP；FastICA；
0 引言
近年来，许多学者都针对盲信号分离不断地提出新的理论算法，盲信号分离(BSS)发展也日趋完善。而用DSP器件实现这种
技术具有很大意义。本文提出了盲源信号分离的实现原理、算法和实现步骤，并对利用DSP实现时经常出现的问题提出了解
决方案。
盲信号分离是指在传输信道特性和输入信息未知或者仅有少量先验知识的情况下，只由观测到的输出信号来辨识系统，以
达到对多个信号分离的目的，从而恢复原始信号或信号源。它是一种在神经网络和统计学基础上发展起来的技术，并在近十年
来获得了飞速发展。盲源信号分离对很多领域的多信号处理与识别提供了很大方便。该技术在通信、生物医学信号处理、语音
信号处理、阵列信号处理以及通用信号分析等方面有着广泛的应用前景。它不仅对信号处理的研究，而且也对神经网络理论的
发展起着积极的推动作用。
1 盲源信号分离的数学模型及常见算法
1．1 数学模型
盲分离问题的研究内容大体上可以划分为瞬时线性混叠盲分离、卷积混叠盲分离，非线性混叠盲分离以及盲分离的应用四
部分。当混叠模型为非线性时，一般很难从混叠数据中恢复源信号，除非对信号和混叠模型有进一步的先验知识。图1所示是
瞬时线性混叠盲分离信号模型示意图。
图1中，S=[s1(t)，s2(t)，…，sN(t)]T是未知的N维源信号向量，A是未知的混合矩阵，n=[n1(t)，n2(t)，…，nN(t)]T是M维
噪声向量，X=[x1(t)，x2(t)，…，xM(t)]T是传感器输出的M维观测信号向量，有X=AS+n，盲源分离算法要求只知道X来确定S
或A。独立分量分析(Independent ComponentAnalysis，ICA)是BSS的一种，其基本含义是把信号分解成若干个互相独立的成
分。图1中，ICA的目标就是寻找一个分离矩阵W，使X经过变换后得到的新矢量Y=[y1(t)，y2(t)，…，yN(t)]T的各分量尽可能
的独立。Y=WX为待求的分离信号向量，也就是源信号S的估计值。
1．2 盲信号预处理常见算法
在盲信号处理过程中，为了减少计算量，提高系统效率，通常需要经过预处理。预处理一般包括中心化和白化。中心化是
使信号的均值为零。由于在一般情况下所获得的数据都具有相关性，所以通常都要求对数据进行初步的白化处理，因为白化处
理可去除各观测信号之间的相关性，从而简化后续独立分量的提取过程。而且，通常情况下，对数据进行白化处理与不对数据
进行白化处理相比，其算法的收敛性较好、工作量少、效率高。
线性混叠盲分离信号模型一般都采用独立分量分析的方法。ICA的主要依据和前提是假设源信号是独立的，因此，自然就可
以设想ICA算法的第一步是建立目标函数来表征分离结果的独立程度。目标函数确定后，可通过各种不同的优化算法进行优
化，进而确定分离矩阵W，其中有代表性的算法主要有最大信息量(Infomax)法、自然梯度法、快速独立元分析算法
(FastICA)、矩阵特征值分解法等。盲分离中经常要用到优化运算，就优化手段而言，Infomax算法、自然梯度算法属于梯度下
降(上升)寻优算法，收敛速度是线性的，速度略慢一些，但属于自适应方法，且具有实时在线处理能力；FastICA算法是一种
快速而数值稳定的方法，采用拟牛顿算法实现寻优，具有超线性收敛速度，通常收敛速度较梯度下降寻优算法快得多；矩阵特
征值分解方法一般通过对矩阵进行特征分解或者广义特征分解来估计分离矩阵，这是一种解析方法，可直接找到闭形式解
(Closed Form Soutions)，由于其没有迭代寻优过程，因此运行速度最快。
2 盲源信号分离的DSP实现方法
2．1 实现原理
由于FastICA算法和其他的ICA算法相比，具有许多人们期望的特性：如收敛速度快、无需选步长参数、能够通过选择适当
的非线性函数g来最佳化、能减小计算量等。同时也有许多神经算法的优点，如并行、分布式且计算简单，内存要求很少等。
因此，FastICA得到了广泛的应用。本文就采样了这种算法。
2．2 实现方法
基于负熵最大的FastICA算法的基本原理是基于中心极限定理。即：若一随机变量X由许多相互独立的随机变量Si(i=1，2，
…，N)之和组成，那么，只要Si具有有限的均值和方差，则不论其为何种分布，随机变量X较Si更接近高斯分布。由信息论理
论可知；在所有等方差的随机变量中，高斯变量的熵最大，因而可以利用熵来度量非高斯性，常用熵的修正形式，即负熵。因
此，在分离过程中，可通过对分离结果的非高斯性度量来表示分离结果间的相互独立性，当非高斯性度量达到最大时，表明已
完成对各独立分量的分离。
负熵的定义公式如下：
式中：YGauss是与Y具有相同方差的高斯随机变量，H(·)为随机变量的微分熵，其表达式为：
评论0
最新资源