混合聲音信號辨別的并行化方法的研究與實現(xiàn).pdf

1、人們聽到的聲音往往都是由多個聲音混合而成的，如何從混合的聲音信號中快速而準確的分辨出感興趣的聲音信號，一直是研究的熱點。傳統(tǒng)的方法可以進行簡單的聲源辨別，但是當涉及到大數據量的聲音信號處理時，影響了其應用的實時性和準確性。隨著人工智能時代的到來，以深度學習和GPU并行計算為代表的新技術為大數據量的聲音信號處理提供了解決思路，為此本文設計了混合聲音信號辨別的并行化方法，并開展了以下工作：
　　1．分析了國內外混合聲音信號的研究現(xiàn)狀以

2、及發(fā)展趨勢，以混合聲音信號為切入點，學習了混合聲音信號辨別和GPU并行計算的相關知識，并研究了混合聲音信號分離以及聲源辨別的常用方法。
　　2．對混合聲音信號進行去均值和白化等預處理，選取基于負熵的Fast-ICA算法進行混合聲音信號分離，通過分析混合聲音信號分離過程尋找制約其快速分離的原因，并利用GPU并行化進行加速改進。
　　3．對分離后的聲音信號進行多特征值提取，并將提取出的特征值進行融合組成復合特征值，再進行聲源辨別

3、。在辨別過程中，由于傳統(tǒng)神經網絡存在學習能力不足的問題，針對這個缺陷，引入了基于深度信念網絡（DBN）的聲源辨別模型，以提升混合聲音信號辨別的準確率。
　　4．由于要進行大數據量的聲音信號處理，并且聲音信號在處理過程中同時又具有方法一致、獨立性強的特點，于是采用GPU并行化方法分別對基于負熵的Fast ICA算法、特征值提取和深度信念網絡模型的訓練過程等操作進行優(yōu)化，提高了混合聲音信號辨別方法的處理效率。
　　通過仿真和實驗