【技术实现步骤摘要】
一种基于语音信号分离的独立向量分析算法
[0001]本专利技术涉及语音信号处理
，具体而言，涉及一种基于语音信号分离的独立向量分析算法。
技术介绍
[0002]盲源分离BBS指观察不同源的混合信号，并利用这些混合信号恢复原始信号，且源信号与混合信号的先验信息最小。它在语音信号、生物医学信号以及数字通信信号上有着突出的应用。IVA技术是ICA技术的衍生，解决了ICA分离信号的排列模糊性。
[0003]传统的IVA算法通过梯度与快速定点算法更新分层矩阵，基于梯度更新的方法对步长等参数进行调整使收敛稳定，需要权衡收敛速度与稳定性；而基于辅助函数的AuxIVA算法可以实现快速稳定的盲源分离，其依赖于MM技术，且该算法没有调谐参数，并在理论上保证了目标函数的单调，在矩阵更新中更稳定更快，是目前运用最广泛的方法。然而，该方法一次只能更新混合矩阵的一行，收敛速度依然较慢，且不够稳定，计算复杂度较大，导致算法分离语音信号的性能较低，在执行更新时只能在下一次的迭代中对更新进行矫正。
[0004]基于此，本申请提出一种基于...
【技术保护点】
【技术特征摘要】
1.一种基于语音信号分离的独立向量分析算法，其特征在于，包括以下步骤：S1、获取CNU Arctic语音信号库中的语音信号进行信号预处理以得到语音信号数据集；S2、构建信号分离场景，并将语音信号数据集输入信号分离场景中以得到卷积混合信号；S3、将卷积混合信号进行短时傅里叶变换到频域以得到混合矩阵；S4、基于混合矩阵构建分离模型，并输出解混矩阵；S5、基于解混矩阵观测解混后的混合语音信号的频谱图以得到分离信号；S6、对分离信号进行测量和分析以得到语音信号分离的分析结果。2.如权利要求1所述的一种基于语音信号分离的独立向量分析算法，其特征在于，步骤S1包括：获取CNU Arctic语音信号库中的语音信号；将获取得到的语音信号进行信号采样，并进行信号连接使得信号长度能超过预先设定的阈值以得到语音信号源、干扰源和噪声源；对得到的语音信号源、干扰源和噪声源进行编号和存储以得到语音信号数据集。3.如权利要求1所述的一种基于语音信号分离的独立向量分析算法，其特征在于，步骤S4包括：基于混合矩阵构建分离模型；利用分离模型更新混合矩阵中的每一个向量，并在每一次更新迭代的过程中同时更新混合矩阵的行向量与列向量；基于每次更新后的行向量和列向量构建代价函数；判断代价函数是否到达最小值，若否，则继续迭代，若是，则停止更新并输出解混矩阵。4.如权利要求3所述的一种基于语音信号分离的独立向量分析算法，其特征在于，所述分离模型的表达公式为：其中，x
m
表示M个观测的第m个观测值，t表示时间，a
mn
表示源信号n与麦克风m的时域传递函数，n表示源信号，m表示麦克风的数量，s
n
为第n个源信号，M为观测信号数，N为源信号数量，b
m
表示不相关的麦克风噪声，l表示与时间相关的变量。5.如权利要求3所述的一种基于语音信号分离的独立向量分析算法，其特征在于，所述利用分离模型更新混合矩阵中的每一个向量的表达式为：其中，W表示混合矩阵，表示来自前一次迭代的分离模型的估计，T
h
(r,c)表示混合矩阵的每一次向量更新值，h表示第h个向量，r表示混合矩阵中的行向量，c表示混合矩阵中的列向量。6.如权利要求3所述的一种基于语音信号分离的独立向量分析算法，其特征在于，所述更新混合矩阵的行向量与列向量的定义式为：
其中，T
h
(r,c)表示混合矩阵的每一次向量更新值，I表示单位矩阵，h、f、n均表示个数，e表示单位向量，r表示混合矩阵中的行向量，c表示混合矩阵中的列向量，表示矩阵包含除了第f个与第n个向量的所有的正则基向量，(
·
)
H
表示(
·
)的共轭转置，(
·
)
*
表示(
·
)的复共轭，(
·
)
T
表示(
·
)的转置。7.如权利要求3所述的一种基于语音信号分离的独立向量分析算法，其特征在于，所述基于每次更新后的行向量和列向量构建代价函数的计算公式推导过程为：基于每次更新后的行向量和列向量构建代价函数的计算公式推导过程为：基于每次更新后的行向量和列向量构建代价函数的计算公式推导过程为：基于每次更新后的行向量和列向量构建代价函数的计...
【专利技术属性】
技术研发人员：骆忠强，郭瑞明，蓝婕，漆琪，
申请(专利权)人：四川轻化工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。