第 40 卷 第 7 期 自 动 化 学 报 Vol. 40, No. 7
2014 年 7 月 ACTA AUTOMATICA SINICA July, 2014
基于新型混合模型的欠定盲分离方法
陈永强
1, 2
王宏霞
1
摘 要 针对欠定盲分离问题, 提出了一种新的源恢复方法. 在时频域局部区域采用复高斯分布对源信号进行建模, 将语音信
号的稀疏性和局部平稳性结合在一起, 提出了一种新的混合模型来描述观测信号在局部区域的概率分布. 通过该模型, 将每个
时频点的源信号状态的判断问题转换成模型的参数估计和后验概率的计算问题, 最后通过子混合矩阵的逆恢复出源信号. 实
验结果表明, 该方法具有很快的收敛速度, 并且比已有方法具有更好的分离性能.
关键词 欠定盲分离, 混合模型, 稀疏性, 局部复高斯分布, 最大后验概率
引用格式 陈永强, 王宏霞. 基于新型混合模型的欠定盲分离方法. 自动化学报, 2014, 40(7): 1412−1420
DOI 10.3724/SP.J.1004.2014.01412
A Method for Under-determined Blind Source Separation Based on
New Mixture Model
CHEN Yong-Qiang
1, 2
WANG Hong-Xia
1
Abstract To solve the problem of under-determined blind source separation, we propose a new source recovery method.
By utilizing the complex valued Gaussian model to characterize the local distribution of source signals in each micro-region
in the time-frequency domain and combining speech signals
0
sparsity with their local stability, a new mixture model is
derived to characterize the local distribution of observed signals. We convert the problem of judging the state of each
source signal at each time-frequency point into a problem of model
0
s parameters estimation and posterior probability
computation. Finally, the source signals are recovered by sub-mixing matrix
0
s inverse. Experiment results show that the
prop osed method converges very fast and has better separation performance compared with the existing methods.
Key words Under-determined blind source separation, mixture model, sparsity, local complex Gaussian distribution,
maximum a posteriori
Citation Chen Yong-Qiang, Wang Hong-Xia. A method for under-determined blind source separation based on new
mixture model. Acta Automatica Sinica, 2014, 40(7): 1412−1420
盲源分离被广泛应用到语音识别、通信、生物
医学信号处理等许多领域. 以往的研究多数针对适
定或过定盲分离
[1−2]
, 要求观测信号数目 M 不少于
源信号数目 N, 从而使盲分离的应用受到了限制.
因此, 解决欠定混合 (即 M 小于 N ) 下的盲分离问
题就成为了盲分离领域的研究热点. 目前, 解决欠
定盲分离的方法有很多, 大多数是利用信号的稀疏
收稿日期 2012-12-31 录用日期 2013-08-01
Manuscript received December 31, 2012; accepted August 1,
2013
国家自然科学基金 (61170226), 中央高校基本科研业务费专项资金
(SWJTU11CX047, SWJTU12ZT02), 四川省青年科技创新研究团
队项目 (2011JTD0007) 资助
Supported by National Natural Science Foundation of China
(61170226), Fundamental Research Funds for the Central Uni-
versities (SWJTU11CX047, SWJTU12ZT02), and Young Inno-
vative Research Team of Sichuan Province (2011JTD0007)
本文责任编委 张长水
Recommended by Associate Editor ZHANG Chang-Shui
1. 西南交通大学信息科学与技术学院 成都 610031 2. 成都信息工
程学院电子实验中心 成都 610225
1. School of Information Science and Technology, Southwest
Jiaotong University, Chengdu 610031 2. Electronic Exper-
iment Center, Chengdu University of Information Technology,
Chengdu 610225
性. 文献 [3] 提出的退化分离估计技术 (Degenerate
unmixing estimation technique, DUET) 假设源信
号在时频域具有正交性, 以此来分离源信号. 文献
[4] 进一步将 DUET 算法拓展到多个传感器的情况.
以上文献对信号的稀疏性要求很高, 当源信号的稀
疏度不够, 在某些时频点相互重叠时, 就会产生较大
的音乐噪声.
文献 [5] 将信号的稀疏性与指数型分布联系起
来, 在概率统计的框架下估计源信号. 为了获得更
好的分离性能, 文献 [6−11] 相继从概率模型的角
度, 提出了各种盲分离方法. 文献 [6] 提出拉普拉
斯混合模型 (Laplacian mixture model, LMM) 来
估计混合矩阵, 并通过 L
1
-norm 最小化方法恢复
源信号. 文献 [7−8] 分别采用柯西分布和方向拉普
拉斯混合模型 (Mixtures of directional Laplacian
distributions, MDLD) 获得二元时频掩蔽的最大
后验估计. 文 献 [9] 则采 用高 斯分布 来描述源信
号在局部区域的分布, 并同时估计混合矩阵和参
数, 但收敛速度非常慢. 文献 [10−11] 分别采用
剩余8页未读，继续阅读
资源评论
