[发明专利]具有移动约束的通过独立分量分析的源分离

权利要求书

1.一种使用信号处理装置处理信号的方法，包括：

在信号处理装置中接收多个时域混合信号，每个时域混合信号包括原始源信号的混合；

将所述时域混合信号转换为时频域，从而生成与所述时域混合信号对应的时频域混合信号；以及

对所述时频域混合信号执行独立分量分析，以便生成与所述原始源信号中的至少一个对应的至少一个估算的源信号，

其中结合移动约束执行所述独立分量分析，由根据源信号的直接混响比的方向和源运动来对所述移动约束建模，从所述独立分量分析中使用的去混合滤波器获得所述直接混响比，以及

所述独立分量分析使用多元概率密度函数，以便保持所述至少一个估算的源信号中的频率区的对准。

2.如权利要求1所述的方法，其中所述混合信号是音频信号。

3.如权利要求2所述的方法，其中所述混合信号包括至少一个语音源信号，并且所述至少一个估算的源信号与所述至少一个语音源信号对应。

4.如权利要求1所述的方法，其中所述多元概率密度函数是混合多元概率密度函数，所述混合多元概率密度函数是与不同源信号和/或不同时间段对应的频率区的分量多元概率密度函数的加权混合。

5.如权利要求1所述的方法，其中所述执行独立分量分析包括，最小化或最大化包括Kullback-Leibler散度表达式的成本函数，以便定义源信号和与所述移动约束对应的表达式之间的独立性。

6.如权利要求1所述的方法，其中所述将所述时域混合信号转换为时频域包括执行傅里叶相关变换，其中所述傅里叶相关变换包括，在多个离散时间段上执行短时傅里叶变换(STFT)。

7.如权利要求4所述的方法，其中所述执行独立分量分析包括，使用期望最大化算法来估算分量多元概率密度函数的参数。

8.如权利要求4所述的方法，其中所述执行独立分量分析包括，在分量概率密度函数的参数的估算中使用干净语音的预训练的特征向量。

9.如权利要求7所述的方法，其中所述执行独立分量分析还包括，使用音乐和噪声的预训练的特征向量。

10.如权利要求7所述的方法，其中所述执行独立分量分析还包括，使用运行时数据训练特征向量。

11.如权利要求3所述的方法，还包括在所述执行傅里叶相关变换之前，使用模数转换器将所述混合信号转换为数字形式。

12.如权利要求3所述的方法，还包括对所述至少一个估算的时频域源信号执行逆STFT，以便产生与原始时域源信号对应的至少一个估算的时域源信号。

13.如权利要求3所述的方法，其中所述概率密度函数具有球形分布。

14.如权利要求11所述的方法，其中所述概率密度函数具有拉普拉斯分布。

15.如权利要求11所述的方法，其中所述概率密度函数具有超高斯分布。

16.如权利要求3所述的方法，其中所述概率密度函数具有多元广义高斯分布。

17.如权利要求4所述的方法，其中所述混合多元概率密度函数是与不同源对应的频率区的分量概率密度函数的加权混合。

18.如权利要求4所述的方法，其中所述混合多元概率密度函数是与不同时间段对应的频率区的分量概率密度函数的加权混合。

19.如权利要求3所述的方法，还包括，在信号处理装置中接收所述时域混合信号之前，使用传感器阵列观测所述时域混合信号，其中所述传感器阵列是麦克风阵列。