高效盲信號分離算法的研究.pdf

1、盲信號分離的應(yīng)用領(lǐng)域越來越廣泛,因此很多算法已經(jīng)致力于如何分離出質(zhì)量高的信號。本論文所要解決的問題是高質(zhì)量分離信號的同時,提高算法的運算速度、降低算法的計算復(fù)雜度。主要從以下兩大方面實現(xiàn)了高效盲分離算法。
　　針對瞬時混合模型的盲分離,本論文提出直接用觀測信號的頻域幅值矩陣來求得分離矩陣,得到分離信號。此時,要求觀測信號的頻域幅值及頻率要足夠精確。因此,本論文引入了頻譜校正的方法,即利用比值校正法對離散非密集譜校正的精確度高的優(yōu)點

2、,對得到的混合信號進行譜校正,由此得到精確的頻域幅值及頻率。為得到分離矩陣,需要對校正后的幅值矩陣聚類,將來自同一個源信號的各幅值向量聚在一起。由于混合矩陣的不確定性,聚類算法不能采用歐氏聚類,而是利用兩向量之間的夾角進行聚類。由此,可得到分離矩陣,進而分離出各路源信號。實驗表明:本論文所提出的基于頻域幅值聚類算法分離的信號精確度高,計算復(fù)雜度很低,節(jié)省了計算時間。
　　針對卷積混合模型的盲分離,本文提出了基于稀疏時頻特征提取的盲

3、分離算法。首先短時傅里葉變換將語音信號變換到時頻域內(nèi),語音信號在時頻域內(nèi)的稀疏特性簡化了盲分離算法,為去除各種噪聲提供了便利。同時,短時傅里葉變換框架的高度冗余性及人耳的屏蔽效應(yīng)為去除時頻域內(nèi)的冗余信息以減少特征模式聚類的數(shù)量、提高算法的計算速度提供了有力的理論依據(jù)。去除的冗余信息都不是組成各路源信號的主要分量,因此不會影響到盲信號分離的質(zhì)量。本論文通過以上算法去除了94％~95%待聚類的特征模式數(shù)量。由此,節(jié)省了大量的計算量,加快了計