基于改進(jìn)FastICA算法的混合語音盲分離.pdf

1、目前信號(hào)處理領(lǐng)域中最熱點(diǎn)的研究問題之一就是盲源分離問題（BBS），它的主要研究工作就是，在對(duì)系統(tǒng)的源信號(hào)和混合系統(tǒng)都未知的情況下，處理一組以時(shí)間序列或者并行信號(hào)的形式表示的觀測(cè)變量，最終分離出想要求解的源信號(hào)。盲源分離的典型例子有很多：手機(jī)中的射頻干擾信號(hào)、傳感器記錄的腦電波以及麥克風(fēng)錄取的混合語音信號(hào)等。而處理這類問題最有效的方法就是獨(dú)立成分分析（ICA），它是隨著盲分離問題研究的不斷發(fā)展而引起廣泛關(guān)注的。ICA方法的基本思想是，首先

2、通過傳感器采集到觀測(cè)信號(hào)，再根據(jù)信號(hào)的統(tǒng)計(jì)特性尋找一個(gè)合適的目標(biāo)函數(shù)，通過選取迭代算法對(duì)目標(biāo)函數(shù)優(yōu)化，得到最優(yōu)的解混信道，將觀測(cè)信號(hào)通過解混信道的處理就可以得到想要求解的源信號(hào)的估計(jì)。
　　本文闡述了獨(dú)立成分分析的研究意義和發(fā)展歷史，通過對(duì)ICA基本原理的研究分析得到基本模型存在的不確定性以及約束條件：研究對(duì)象必須是非高斯信號(hào)，并且滿足相互獨(dú)立的統(tǒng)計(jì)特性。ICA問題可以簡化為通過一定的優(yōu)化算法得到選定的目標(biāo)函數(shù)的最優(yōu)解，從而分離出

3、待求解的源信號(hào)，由此從理論上重點(diǎn)介紹了獨(dú)立成分分析的幾種典型的目標(biāo)函數(shù)和優(yōu)化算法。在ICA模型估計(jì)之前，必須要對(duì)測(cè)量信號(hào)作預(yù)處理，包括中心化和白化這兩個(gè)處理過程，從理論上說明了預(yù)處理可以有效地減少ICA中需要預(yù)估模型參數(shù)的數(shù)目?？焖俟潭c(diǎn)算法（FastICA）是獨(dú)立成分分析中最常用的一種快速算法，根據(jù)非高斯性的評(píng)價(jià)指標(biāo)的不同，本文介紹了兩種 FastICA算法：基于峭度的FastICA算法和基于負(fù)熵的FastICA算法。本課題的核心研究

4、工作在于，通過對(duì)兩種原有算法的原理分析，針對(duì)其存在的問題，分別提出了相應(yīng)的改進(jìn)方案。對(duì)于基于峭度的FastICA算法存在的收斂不穩(wěn)定問題，本文提出了通過共軛梯度法對(duì)原算法進(jìn)行改進(jìn)，實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法不僅分離效果更佳，而且改善了原算法收斂不穩(wěn)定的問題。對(duì)于基于負(fù)熵的FastICA算法，本文分別提出了通過最速下降法以克服原算法易受初始值影響的缺點(diǎn)，用差商法代替求導(dǎo)以降低了原算法的復(fù)雜性。仿真實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法不僅分離出的信號(hào)