带噪混叠语音信号盲分离算法研究
黄珊+杜庆治
摘要：
盲源分离也称盲信号分离，是指在源信号和传递信道的参数均未知的情况下，仅根据输入源信号的统计特性，通过观测信号恢复各个源信号的过程。语音信号的盲分离技术在计算机听觉、语音识别、语音增强等领域具有重大的研究意义。现有的有关语音信号盲分离研究基本不考虑噪声的影响，然而在现实生活中，接收到的语音信号不可避免地混有各种噪声。因此，对于带噪声混叠语音的盲分离方法研究具有十分重要的现实意义。针对带噪声混叠语音信号，提出一种基于稀疏编码和EFICA的分离方法。首先用稀疏编码去噪方法消除带噪混叠语音信号中的噪声，然后将经过去噪处理后的观测信号用EFICA方法进行盲分离。Matlab仿真实验结果表明，该算法对带噪声混叠的语音进行盲分离效果良好。
关键词：
混叠信号；语音信号；盲源分离；稀疏编码；EFICA
DOIDOI：10.11907/rjdk.172151
中图分类号：TP312
文献标识码：A文章编号文章编号：16727800（2018）001007403
Abstract：BSS is refers to the process of recovery each source signal only by the statistical characteristics of each input observation signal under the condition of the original signal and parameters of transmission channel is unknown， which is also called the separation of blind source signal. The BSS of speech signal is of great significance to the study of computer hearing， speech recognition and speech enhancement. At present， most studies of the BSS of speech signal without considering the impact of noise， while in real life environment， the speech signals are mixed with all kinds of noise inevitably. So， there is of great practical significance to study the blind separation of noisy speech mixtures.Aimed at the noisy speech mixtures， a BSS method based on sparse coding and EFICA is proposed in this paper.First， the noisy speech mixtures is eliminated noise by the method of sparse coding， and then to blind separate the speech mixtures with EFICA. The simulation result shows that this method can achieve good effect in BSS of noisy speech mixtures.
Key Words：BSS； speech signals； blind source separation； sparse coding； EFICA
0引言
盲源分离（BBS）也称盲信号分离，指在不知道源信号分布和混叠方式的情况下，根据输入源信号的统计特性，仅由观测信号恢复出各个独立原始信号的过程[1]。盲源分离技术由B Widrow等[2]于1975年首先提出，并将其应用于自适应噪声抵消器。目前，在语音信号处理、模式识别、特征提取、数据压缩、图像处理和电子通信等方面该技术应用十分广泛[3]。
语音信号是一种复杂的非线性信号，如何从各种混合语音信号中分离出所需的语音信号，是语音信号处理研究领域的一个重要课题。语音信号盲分离技术使噪声和语音的分离成为可能，对计算机听觉、语音识别、语音增强等研究具有非常重要的意义。
本文结合语音信号的非平稳性和各个源信号之间的相互独立性，将信号噪声考虑为加性的白噪声，首先对带噪声的混叠语音信号进行稀疏编码消噪[4]处理，然后用EFICA[5]盲源分离方法对消噪后的混叠语音进行分离，最终实现对带噪声的混叠语音信号盲分离。
4结语
本文针对带噪混叠语音信号，提出了一种基于稀疏编码和EFICA的盲分离方法。首先对观测信号用稀疏编码方法进行去噪处理，然后对去噪后的混叠信号用EFICA方法进行盲分离。在Matlab平台上对含有噪声混叠的语音进行盲分离实验，结果分析表明，本文方法在不同的信噪比情况下，分离信号的信噪比均高于小波去噪方法，且分离后的值接近于0，可见本文算法分离效果良好，能有效将带噪声的混叠语音信号进行盲分离。
参考文献：
[1]张雪英.数字语音处理及Matlab仿真[M].北京：电子工业出版社，2010.
[2]刘琚，孙建德，许宏吉.盲信号处理理论与应用[M].北京：科學出版社，2013.
[3]SANTORO R，JUCKER T，PRISCO I，et al. Blind separation of speech mixtures via timefrequency masking[J]. IEEE Transactions on Signal Processing，2004，52（7）：18301847.
[4]TICHAVSKY P， KOLDOVSKY Z， OJA E. Asymptotic performance analysis of the fixedpoint algorithm for independent component analysis[J].IEEE Statistical Signal Processing Workshop，2005（2）：15711590.
[5]陶玉福，刘庆华，黄斌.基于EFICA的混合语音盲分离时域算法[J].声学与电子工程，2009（2）：2427.
[6]赵彦平.基于稀疏表示的语音增强方法研究[D].长春：吉林大学，2014.
[7]王杏. 带噪混叠语音信号盲分离方法研究[D].北京：北京交通大学，2014.
[8]KOLDOVSKY Z，TICHAVSKY P，OJA E. Efficient variant of algorithm FastICA for independent component analysis attaining the CramerRao lower bound[J].IEEE Transactions on Neural Networks，2006，17（5）：12651277.
[9]王丁一，徐先峰，李诗然.混合语音信号盲分离算法研究与应用[J].通信电源技术，2016（11）：3335.
[10]熊杰，康荣雷.盲信号分离自适应算法研究[J].长沙大学学报，2016（9）：4952.
（责任编辑：杜能钢）
摘要：
盲源分离也称盲信号分离，是指在源信号和传递信道的参数均未知的情况下，仅根据输入源信号的统计特性，通过观测信号恢复各个源信号的过程。语音信号的盲分离技术在计算机听觉、语音识别、语音增强等领域具有重大的研究意义。现有的有关语音信号盲分离研究基本不考虑噪声的影响，然而在现实生活中，接收到的语音信号不可避免地混有各种噪声。因此，对于带噪声混叠语音的盲分离方法研究具有十分重要的现实意义。针对带噪声混叠语音信号，提出一种基于稀疏编码和EFICA的分离方法。首先用稀疏编码去噪方法消除带噪混叠语音信号中的噪声，然后将经过去噪处理后的观测信号用EFICA方法进行盲分离。Matlab仿真实验结果表明，该算法对带噪声混叠的语音进行盲分离效果良好。
关键词：
混叠信号；语音信号；盲源分离；稀疏编码；EFICA
DOIDOI：10.11907/rjdk.172151
中图分类号：TP312
文献标识码：A文章编号文章编号：16727800（2018）001007403
Abstract：BSS is refers to the process of recovery each source signal only by the statistical characteristics of each input observation signal under the condition of the original signal and parameters of transmission channel is unknown， which is also called the separation of blind source signal. The BSS of speech signal is of great significance to the study of computer hearing， speech recognition and speech enhancement. At present， most studies of the BSS of speech signal without considering the impact of noise， while in real life environment， the speech signals are mixed with all kinds of noise inevitably. So， there is of great practical significance to study the blind separation of noisy speech mixtures.Aimed at the noisy speech mixtures， a BSS method based on sparse coding and EFICA is proposed in this paper.First， the noisy speech mixtures is eliminated noise by the method of sparse coding， and then to blind separate the speech mixtures with EFICA. The simulation result shows that this method can achieve good effect in BSS of noisy speech mixtures.
Key Words：BSS； speech signals； blind source separation； sparse coding； EFICA
0引言
盲源分离（BBS）也称盲信号分离，指在不知道源信号分布和混叠方式的情况下，根据输入源信号的统计特性，仅由观测信号恢复出各个独立原始信号的过程[1]。盲源分离技术由B Widrow等[2]于1975年首先提出，并将其应用于自适应噪声抵消器。目前，在语音信号处理、模式识别、特征提取、数据压缩、图像处理和电子通信等方面该技术应用十分广泛[3]。
语音信号是一种复杂的非线性信号，如何从各种混合语音信号中分离出所需的语音信号，是语音信号处理研究领域的一个重要课题。语音信号盲分离技术使噪声和语音的分离成为可能，对计算机听觉、语音识别、语音增强等研究具有非常重要的意义。
本文结合语音信号的非平稳性和各个源信号之间的相互独立性，将信号噪声考虑为加性的白噪声，首先对带噪声的混叠语音信号进行稀疏编码消噪[4]处理，然后用EFICA[5]盲源分离方法对消噪后的混叠语音进行分离，最终实现对带噪声的混叠语音信号盲分离。
4结语
本文针对带噪混叠语音信号，提出了一种基于稀疏编码和EFICA的盲分离方法。首先对观测信号用稀疏编码方法进行去噪处理，然后对去噪后的混叠信号用EFICA方法进行盲分离。在Matlab平台上对含有噪声混叠的语音进行盲分离实验，结果分析表明，本文方法在不同的信噪比情况下，分离信号的信噪比均高于小波去噪方法，且分离后的值接近于0，可见本文算法分离效果良好，能有效将带噪声的混叠语音信号进行盲分离。
参考文献：
[1]张雪英.数字语音处理及Matlab仿真[M].北京：电子工业出版社，2010.
[2]刘琚，孙建德，许宏吉.盲信号处理理论与应用[M].北京：科學出版社，2013.
[3]SANTORO R，JUCKER T，PRISCO I，et al. Blind separation of speech mixtures via timefrequency masking[J]. IEEE Transactions on Signal Processing，2004，52（7）：18301847.
[4]TICHAVSKY P， KOLDOVSKY Z， OJA E. Asymptotic performance analysis of the fixedpoint algorithm for independent component analysis[J].IEEE Statistical Signal Processing Workshop，2005（2）：15711590.
[5]陶玉福，刘庆华，黄斌.基于EFICA的混合语音盲分离时域算法[J].声学与电子工程，2009（2）：2427.
[6]赵彦平.基于稀疏表示的语音增强方法研究[D].长春：吉林大学，2014.
[7]王杏. 带噪混叠语音信号盲分离方法研究[D].北京：北京交通大学，2014.
[8]KOLDOVSKY Z，TICHAVSKY P，OJA E. Efficient variant of algorithm FastICA for independent component analysis attaining the CramerRao lower bound[J].IEEE Transactions on Neural Networks，2006，17（5）：12651277.
[9]王丁一，徐先峰，李诗然.混合语音信号盲分离算法研究与应用[J].通信电源技术，2016（11）：3335.
[10]熊杰，康荣雷.盲信号分离自适应算法研究[J].长沙大学学报，2016（9）：4952.
（责任编辑：杜能钢）
