自然梯度语音信号盲分离方法范文

本站小编为你精心准备了自然梯度语音信号盲分离方法参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

《应用科技杂志》2015年第一期

1信号的预处理

混合信号盲分离前，需要对信号进行预处理，可以大大减少计算和分离效率。最有用的预处理步骤就是对观测信号去均值和白化，一些特殊的问题，要用低通或高通滤波器去除噪声信号或扰动[13]。

1.1信号的零均值处理盲信号分离算法中，源信号的分量变换成零均值，可以大大减少计算量，并且对分离结果无影响。假设x是一个非零均值的随机变量，其去均值过程可以用0xxEx来表示，在真实的计算情况下，算术均值通常由数学期望来估计。

1.2信号的白化盲信号分离中，白化是一个通用的改善分离性能的信号预处理方法，因而白化是非常有必要的。尽管白化不能确保源信号被分离出来，但是盲分离算法或者改善了盲分离算法的性能。

2自然梯度算法

梯度算法有等变化性等优良的性能，应用场合广泛，但存在步长与稳态误差间的固有矛盾。

2.1标准自然梯度算法在盲信号分离或ICA问题中，输出y(k)相互独立性反应了分离的性能，通常情况下使用K-L散度作为独立性的度量。文中使用(,)ypyW作为随机变量yWx的概率密度函数并且创造一个概率密度函数q(y)，在q(y)中的所有分量都是在统计意义上独立的，并将其作为一个参考。当且仅当(,)ypyW和q(y)同分布时，K-L散度才会是零，也不会随着变量iy的非线性变换而变化。独立性的自然度量表示。根据黎曼空间中参数的结构，这种自然梯度修改了标准梯度的搜索方向，但是并没有改变最小值点因而确保了参数估计的全局最优解。自然梯度有着等变化的性质，还不用求逆运算，不受混合矩阵变化的影响，并且没有像牛顿法在目标函数的均方估计，算法阻止了Wk的畸变[14]，很适合目标函数非线性的模型。

2.2改进的自然梯度算标准自然梯度算法有着很好的收敛与分离性能，但是其码间干扰收敛速度很慢，为了加速码间干扰的收敛速度，参考文献[12]将传统算法中分离矩阵的Frobenius范数变化情况强加于梯度学习算法，将使算法在学习过程中保持相对稳定，采用该思想方法有k迭代调节过程如下。

3仿真实验及实验结果分析

选用2路纯净的语音信号进行算法的验证性分离试验，验证算法的有效性：其中1s内容是：“这就是去洛克菲勒中心的地铁吗？是”；2s内容是：“I’minterestingabouteducation!”。使用Matlab软件仿真，得到源信号1s和2s的波形图如图3所示。2种分离方法分离出的波形和原始语音信号的波形相比较，直观上分离结果波形相似度很高，由于自然梯度算法存在2种不确定性，所以需要引进分离性能评价指标。语音信号分离性能评价指标一般使用性能测度码间干扰。从图7中看到这2种算法在分离的初始阶段码间干扰都很大，随着分离程度的加深，码间干扰很快的降低，最后稳定在一个很小的值，说明这2种分离算法都能将混合信号得到精确的分离。从图7中可以看出第10步迭代后码间干扰迅速下降，标准自然体算法码间干扰曲线迭代次数到了45步才稳定到一个很小的值；改进后的自然梯度法码间干扰曲线迭代到了35步就稳定到了一个很小的值。说明改进后的自然梯度算法收敛速度比原始的收敛速度有所提高。

4结束语

运用标准自然梯度和改进的自然梯度算法都能将混合的语音信号分离开来，通过对比标准自然梯度算法和改进的自然梯度算法分离结果的串音误差曲线，二者都具备很好的分离性能，改进后的自然梯度算法具有更快的分离速度，这种更快的分离性能用在实时性要求更高的环境中就能获得更好的分离效果。在此考虑的都是纯净的语音信号，而在真实的环境中不可避免受到噪声信号的干扰，今后研究噪声污染的信号的分离更具有实际的意义。

作者：岳建杰张成单位：哈尔滨工程大学信息与通信工程学院哈尔滨工程大学自动化学院