基于matlab的语音信号盲分离分析与设计

《基础群课设》课程设计任务书

学生姓名：专业班级：

指导教师：工作单位：信息工程学院

题目：语音信号的盲分离

主要目的就是对学生进行基础课程、基本技能、基本动手能力的强化训练，提高学生的基础理论知识、基本动手能力，提高人才培养的基本素质。

一、训练内容和要求

设计任务：根据盲信号分离原理，用matlab采集两路以上的语音信号，选择合适的混合矩阵生成若干混合信号。选取合适的盲信号分离算法（如独立成分分析ICA等）进行训练学习，求出分离矩阵和分离后的语音信号。

设计要求：

（1）用matlab做出采样之后语音信号的时域和频域波形图

（2）选择合适的混合矩阵，得到混合信号，并做出其时域波形和频谱图

（3）采用混合声音信号进行训练学习，求出分离矩阵，编写出相应的确matlab代码。（4）用求出的分离矩阵从混合信号中分离出原语音信号，并画出各分离信号的时域波形和频谱图。

（5）对结果进行对比分析。

二、初始条件

计算机；Microsoft Office Word 软件；MATLAB软件

三、时间安排

1、 2012年 6 月 18日,作基础强化训练具体实施计划与报告格式要求的说明；学生查阅相关资料，学习原理。

2、 2012 年 6 月 19 日，算法设计。

3、 2012 年 6 月 20 日至2012 年6 月 22 日，运用MATLAB软件仿真

4、 2012年 6 月 23 日，上交基础强化训练成果及报告，进行答辩。

指导教师签名：年月日系主任（或责任教师）签名：年月日

目录

摘要........................................................................................................................................... I II Abstract ........................................................................................................................................... I V

1 Matlab软件的简介 (1)

2 语音信号的产生与获取 (3)

3 语音信号的处理 (5)

3.1 语音信号的时域分析 (5)

3.1.1 语音信号的采集 (5)

3.1.2 语音信号的时域波形图 (6)

3.2 原始信号的频域分析 (7)

4 盲信号处理 (10)

4.1盲信号处理的概述 (10)

4.1.1 盲信号处理的基本概念 (10)

4.1.2 盲信号处理的方法和分类 (10)

4.1.3 盲信号处理技术的研究应用 (11)

4.2 盲源分离法 (12)

4.2.1 盲源分离技术 (12)

4.2.2 盲分离算法实现 (12)

4.2.3 盲源分离技术的研究发展和应用 (13)

4.3 独立成分分析 (14)

4.3.1 独立成分分析的定义 (14)

4.3.2 ICA的基本原理 (15)

4.3.3 本文对ICA的研究目的及实现 (17)

4.3.4分离结果分析 (20)

5 小结体会 (23)

附录程序 (25)

摘要

语音信号盲分离处理的含义是指利用BSS技术对麦克风检测到的一段语音信号进行处理。混合语音信号的分离是盲分离的重要内容，目前的混叠语音分离大多是建立在无噪环境中的混叠情形下，主要以盲源分离(Blind Source Separation，BSS)，根据信号的统计特性从几个观测信号中恢复出未知的独立源成分。

本文重点研究了以语音信号为背景的盲处理方法，在语音和听觉信号处理领域中，如何从混有噪声的的混叠语音信号中分离出各个语音源信号，来模仿人类的语音分离能力，成为一个重要的研究问题。具体实现主要结合ICA技术，将语音去噪作为一个预处理过程，对带噪声的混叠语音盲分离进行了研究，本文详细了介绍三种FastICA算法：SOBI算法以及CICA算法，将三种算法应用于实际的语音信号噪声分离中，并比较了传统算法和基于ICA/BSS算法在语音消噪和增强方面的差异，文章最后还介绍了分离效果评价准则，并比较了SNR和SIR 参数。

关键词语音信号，语音信号噪声，盲源分离，独立成分分析

Abstract

Blind separation of speech signal processing means is the use of BSS techniques microphone detects a voice signal processing. Separation of mixed speech signals is important for blind separation, the current separation of overlapping speech is built mostly in the absence of aliasing noise in the environment, under the circumstances, mainly in blind source separation (Blind Source Separation, BSS), the statistical characteristics of signal Several observations from the unknown signal to recover the independent source components;

This article focuses on the background to the blind speech signal processing method, signal processing, speech and hearing, how the noise from a mixture of overlapping speech signal to separate the various audio source signals to mimic human speech separation ability become an important research question. Combination of concrete realization of the main ICA technology, speech denoising as a preprocessing of speech with noise-aliasing blind separation were studied, the paper introduces three kinds of FastICA algorithm: SOBI algorithm and the CICA algorithm, three kinds of algorithm application the actual noise in speech signal separation, and compared the traditional algorithm and the ICA / BSS algorithm in speech denoising and enhancement of the differences, the paper finally describes the separation evaluation criteria, and compared the SNR and SIR parameters.

Keywords: Voice signal, voice signal noise, blind source separation, independent component analysis