自然梯度語音信號盲分離方法范文

本站小編為你精心準備了自然梯度語音信號盲分離方法參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《應用科技雜志》2015年第一期

1信號的預處理

混合信號盲分離前，需要對信號進行預處理，可以大大減少計算和分離效率。最有用的預處理步驟就是對觀測信號去均值和白化，一些特殊的問題，要用低通或高通濾波器去除噪聲信號或擾動[13]。

1.1信號的零均值處理盲信號分離算法中，源信號的分量變換成零均值，可以大大減少計算量，并且對分離結果無影響。假設x是一個非零均值的隨機變量，其去均值過程可以用0xxEx來表示，在真實的計算情況下，算術均值通常由數學期望來估計。

1.2信號的白化盲信號分離中，白化是一個通用的改善分離性能的信號預處理方法，因而白化是非常有必要的。盡管白化不能確保源信號被分離出來，但是盲分離算法或者改善了盲分離算法的性能。

2自然梯度算法

梯度算法有等變化性等優良的性能，應用場合廣泛，但存在步長與穩態誤差間的固有矛盾。

2.1標準自然梯度算法在盲信號分離或ICA問題中，輸出y(k)相互獨立性反應了分離的性能，通常情況下使用K-L散度作為獨立性的度量。文中使用(,)ypyW作為隨機變量yWx的概率密度函數并且創造一個概率密度函數q(y)，在q(y)中的所有分量都是在統計意義上獨立的，并將其作為一個參考。當且僅當(,)ypyW和q(y)同分布時，K-L散度才會是零，也不會隨著變量iy的非線性變換而變化。獨立性的自然度量表示。根據黎曼空間中參數的結構，這種自然梯度修改了標準梯度的搜索方向，但是并沒有改變最小值點因而確保了參數估計的全局最優解。自然梯度有著等變化的性質，還不用求逆運算，不受混合矩陣變化的影響，并且沒有像牛頓法在目標函數的均方估計，算法阻止了Wk的畸變[14]，很適合目標函數非線性的模型。

2.2改進的自然梯度算標準自然梯度算法有著很好的收斂與分離性能，但是其碼間干擾收斂速度很慢，為了加速碼間干擾的收斂速度，參考文獻[12]將傳統算法中分離矩陣的Frobenius范數變化情況強加于梯度學習算法，將使算法在學習過程中保持相對穩定，采用該思想方法有k迭代調節過程如下。

3仿真實驗及實驗結果分析

選用2路純凈的語音信號進行算法的驗證性分離試驗，驗證算法的有效性：其中1s內容是：“這就是去洛克菲勒中心的地鐵嗎？是”；2s內容是：“I’minterestingabouteducation!”。使用Matlab軟件仿真，得到源信號1s和2s的波形圖如圖3所示。2種分離方法分離出的波形和原始語音信號的波形相比較，直觀上分離結果波形相似度很高，由于自然梯度算法存在2種不確定性，所以需要引進分離性能評價指標。語音信號分離性能評價指標一般使用性能測度碼間干擾。從圖7中看到這2種算法在分離的初始階段碼間干擾都很大，隨著分離程度的加深，碼間干擾很快的降低，最后穩定在一個很小的值，說明這2種分離算法都能將混合信號得到精確的分離。從圖7中可以看出第10步迭代后碼間干擾迅速下降，標準自然體算法碼間干擾曲線迭代次數到了45步才穩定到一個很小的值；改進后的自然梯度法碼間干擾曲線迭代到了35步就穩定到了一個很小的值。說明改進后的自然梯度算法收斂速度比原始的收斂速度有所提高。

4結束語

運用標準自然梯度和改進的自然梯度算法都能將混合的語音信號分離開來，通過對比標準自然梯度算法和改進的自然梯度算法分離結果的串音誤差曲線，二者都具備很好的分離性能，改進后的自然梯度算法具有更快的分離速度，這種更快的分離性能用在實時性要求更高的環境中就能獲得更好的分離效果。在此考慮的都是純凈的語音信號，而在真實的環境中不可避免受到噪聲信號的干擾，今后研究噪聲污染的信號的分離更具有實際的意義。

作者：岳建杰張成單位：哈爾濱工程大學信息與通信工程學院哈爾濱工程大學自動化學院