一种有效的语音信号盲分离方法

《现代电子技术》 2010 年第 19 期总第 330 期
通信与信息技术
一种有效的语音信号盲分离方法
徐丽琴1 , 何晓川2
(1. 西安邮电学院 电信系 , 陕西 西安 710121 ; 2. 西安电子科技大学 电子工程学院 , 陕西 西安 710071)
摘 要 : 频域盲语音信号分离存在着排序模糊问题 ,提出一种基于相邻频点幅度相关和 DOA 估计相结合的解排序模糊 方法 ,并且通过对一系列预处理 ( 白化) 、 独立分量分析和后处理算法的优化和有机组合 ,很好地实现了卷积混合语音信号的 盲分离 。用真实录制的语音信号进行了仿真实验 ,恢复出来的源信号的信干比较分离之前提高了约 13 dB ,证明了算法的有 效性 。 关键词 : 盲源分离 ; 独立分量分析 ; 排列模糊 ; 语音信号处理 中图分类号 : TN911. 7234 文献标识码 :A 文章编号 :10042373X ( 2010) 1920087203
Abstract : Since t he permutation p roblem exist s in f requency do main blind separatio n of speech signals , a met hod based on t he amplit ude co rrelation of adjacent f requency point s and DOA estimatio n are p ropo sed for solving t he p roblem. The blind separatio n of t he convolutio n mixing speech signals is implemented by t he optimizatio n and conbination of a set of p rep rocess2 ing met hod ( whitening) , independent co mpo nent analysis and po st2p rocessing algo rit hm. Simulation result s wit h real reco rd2 ing speech signals show t hat t he signal interference of t he recovered signals can be increased by 13 dB t han before. It p roves t he validity of t he p ropo sed met hod. Keywords : blind so urce separatio n ; independent co mponent analysis ; f uzzy permutatio n ; speech signal p rocessing
源信号 。 2. 2 快速频域 ICA 滤波 在进行 ICA 滤波之前 , 一般先对数据进行一些预 处理 ,如中心化和白化 。白化是一种有效的预处理方 法 ,它可以提高算法的收敛速度 。 这里采用一种新的白化算法 ,即取如下均衡解形式 的白化矩阵 : H - 1/ 2 ( 4) V = ( E{ xx } ) 则 E{ zz H } = E{ Vxx H V H } = V E{ xx H } V H = I 。 这种白 化方法不需要进行特征值分解 , 因而大大节省了运算 量 ,而且白化后的数据能够为 ICA 算法提供更好的迭 代起点 ,从而能进一步提高 ICA 算法的收敛速度 。 对白化后的数据 z , 基于自然梯度算法的自适应迭 代公式为 : U (ω, k + 1 ) = U (ω, k) + H μ [ I - φ( z (ω, k) ) z (ω, k) ]U (ω, k) 为了更有效地提高算法收敛速度 ,采用一个基于极 坐标系的非线性函数 [ 3 ] : φ( z) = tanh (η| z | ) ejθ( z) ( 5) 式中 :η是一个增益因子 , 用来控制函数的非线性 。对 于预白化的数据 ,分离矩阵为 W = UV 。 2. 3 解排列模糊 现已提出的解排列模糊方法有很多 。有频率相干 法 , 如 A san 的 IFC ( Inter2f requency Co herency ) 方 法[ 4 ] ,基于阵列信号处理的 DOA 估计方法 [ 5 ] , 还有基 于频域平滑的方法等 。这里先分别介绍基于相邻频点 幅度相关的方法和基于 DOA 估计的方法 , 然后给出 一种两者结合的方法 。
x ( t) =
τ= 0
τ ) s(t - τ ) A( ∑
( 2)
式中 : A 为混合矩阵 , s ( t) = [ s1 ( t) , s2 ( t) , …, s N ( t) ] T , T x ( t) = [ x 1 ( t) , x 2 ( t) , …, x M ( t) ] 。 当 L = 1 时 , 该模型 就退化为瞬时混合模型 。 盲源分离的目的就是要求得这 样一个滤波器 W , 使得滤波器的输出 :
H ji [ W D ] ji [ W ] ji = = -1 -1 -1 H j′ [ W D ] j′ [ W ] j′ i i i
-1 -1 -1
φ
( 9)
结合式 ( 8) 和式 ( 9) 有 :
j i [ W ] ji H ji A ji e Aji e = = = -1 -1 ω θ j c d cos H j′ j′ i [ W ] j′ i i A j′ ie
P- 1
y ( t) =
τ= 0
τ ) x( t - τ ) W( ∑
( 3)
它是源信号中一个尽可能准确的估计 。其中 , P 是
87
信号处理 滤波器 W 的长度 。
2 频域盲分离方法 2. 1 频域盲分离算法的基本流程
徐丽琴等 : 一种有效的语音信号盲分离方法 频点的幅度具有高度相关性 。基于相邻频率幅度相关 的解排列模糊方法正是利用了语音信号的这一特点 。 定义 : 两信号 x ( t) 和 y ( t) 的相关系数 : σ σy ) ( 6) cor ( x , y) = ( m x・ y - mx m y ) / ( x 式中 : m x 是 x 的均值 ;σ y 表示 x 和 y x 是 x 的标准差 ; x ・ 的对应元素相乘 。 显然 , 对于信号本身 , 有 cor ( x , x) = 1 ; 对于两不相关的信号 x ( t) 和 y ( t) , 有 cor ( x , y) = 0 。 用 式 (6) 定义的相关系数来衡量两信号的相关程度 。 相邻频点幅度相关法的做法是 : 从某一参考频点出 发 (比如最高频点) ,依次进行相邻频点幅度相关性计算 , 相关性高的排序视为一致排序。假设频点 g 上的信号排 δ, 序已确定 , 记为Πg , 为确定下一相邻频点 f ( | g - f | ≤ δ为一比较小的数) 上与之一致的排序 Πf , 记第 i 个输出 信号在频点 f 上的幅度为 : vif ( f ) = | Y i ( f , t) | , 则在频点 f 可以通过如下代价函数来求解 Πf :
N
频域盲源分离的基本流程 : ( 1) 对信号进行短时傅里叶变换 , 将时域信号转换 到频域 ; ( 2) 在每个频点上进行瞬时混合盲源分离 , 求得分 ); 离矩阵 W (ω
( 3 ) 解排列模糊和尺度模糊 , 得到置换矩阵 P (ω ) ) , 求 得 无 模 糊 的 分 离 矩 阵 W (ω ) 和尺 度 矩 阵 D (ω ) P (ω ) W (ω ); ← D (ω ( 4 ) 求得分离后的频域信号 Y(ω, t) = W (ω ) X(ω, t) , 对 Y(ω, t) 进行短时傅里叶逆变换 ( ISTF T) ,即可恢复出
N N L- 1 ji
x j ( t) =
i =1
∑
aji ( t)
si ( t) =
i = 1 τ= 0
∑∑a
(τ ) si ( t - τ ) ( 1)
式中 : 感器的冲激响应 ; L 是冲激响应的最大长度 。将上式写 成向量形式为 :
L- 1
) 是第 i 个信源到第 j 个传 表示卷积运算 ; aji (τ
0 引 言
估计相结合的方法很好地解决了排列模糊问题 。
1 卷积混合模型
对于卷积混合信号 ,现已提出的盲分离方法有很多 , 有的直接在时域进行[ 1 ] ,有的则转换到频域进行[ 2 ] 。将 时域卷积混合模型转变为频域瞬时混合模型来进行盲源 分离 ,可避免卷积运算带来的庞大运算量 ,而且可以直接 利用瞬时混合模型中各种性能优越的算法 ,是解决卷积 混合盲源分离问题的一种有效途径。然而由于 ICA 算法 本身存在的排序不定和尺度不定性 ,在频域进行 ICA 会 导致信号频谱的重新混合和畸变 。因此 ,各种频域盲源 分离问题都需要有效解决两个不定性问题。 为了更好地解决卷积混合信号的盲分离问题 ,本文 对一系列算法进行了优化和有机组合 。首先给出了 一种基于新的数据白化算法的快速频域 ICA 算法 , 然 后针对语音信号的特点 , 用相邻频点幅度相关和 DOA
收稿日期 :2010205210 基金项目 : 国家自然科学基金资助项目 ( 60772139) ; 陕西省自然科 学基础研究计划项目 ( SJ 082ZT14) ; 高等学校博士学科点 专项科研基金资助项目 (200807011007) ; 西安邮电学院 中青年基s i ( t) , i = 1 , 2 , …, N , 卷 积混合后被 M 个传感器接收 , 混合信号为 x j ( t) , j = 1 , 2 , …, M , 则卷积混合的数学模型可表示为 :
2. 3. 1 相邻频点幅度相关法
Πf = argmax Π
δi = 1 | g- f | ≤
cor ( v ∑∑
Π( i)
f
, vΠg ( i) )