[发明专利]一种基于改进独立向量分析算法的声信号盲分离方法

权利要求书

1.一种基于改进独立向量分析算法的声信号盲分离方法，其特征在于，包括以下步骤：

步骤1，通过M个传感器采集N个源信号的卷积混合信号，

以得到M个观测信号；

步骤2，通过短时傅里叶变换将所述观测信号从时域转换到频域，并建立基于分离矩阵的频域分离信号模型；

步骤3，逐频点对频域的所述观测信号和分离矩阵进行预处理；

步骤4，采用基于自适应更新的自然梯度独立向量分析算法逐频点进行盲分离处理，以得到频域的分离信号；

步骤5，对频域的分离信号进行逆短时傅里叶变换，以得到时域的分离信号；

其中，步骤4中所述自适应更新的自然梯度的独立向量分析算法通过以下步骤实现：

步骤41，构建目标函数为：

在式(2)中，q(y_i)为分离信号y_i的概率密度函数，p(y₁...y_N)为联合概率密度函数，I为单位矩阵，f表示频点，y^f表示频域中第f个频点的分离信号；

步骤42，采用自然梯度更新算法得到分离矩阵W^f，即，令第k+1次迭代公式表示为：

W^f(k+1)＝W^f(k)+μ(k)[I-f(y^f)(y^f)^T]W^f(k) (3)，

在式(3)中，μ(k)表示更新步长，且μ(k)的表达式如下：

μ(k)＝α|1-e^β·RE| (4)，

在式(4)中，α和β是经验常数，RE为目标函数的相对误差；

步骤43，根据Y^f(n)＝W^f·X^f(n)逐频点得到频域的分离信号Y^f(n)。

2.根据权利要求1所述的基于改进独立向量分析算法的声信号盲分离方法，其特征在于，在所述步骤1中，将N个源信号表示为s(t)＝[s₁(t)，s₂(t)，...，s_N(t)]^T，M个观测信号表示为x(t)＝[x₁(t)，x₂(t)，...，x_M(t)]^T，则在每一时刻t有如下关系式：

在式(1)中，a_ij(l)表示第i个源信号到第j个传感器的冲激响应，L表示冲激响应的长度，且L＜∞。

3.根据权利要求2所述的基于改进独立向量分析算法的声信号盲分离方法，其特征在于，在所述步骤2中，通过短时傅里叶变换将式(1)变换到频域，得到X^f(n)＝A^fS^f(n)，并建立频域分离信号模型Y^f(n)＝W^f·X^f(n)；

其中，f表示频点，且f＝1，2，...，F，F表示频点数目，A^f和W^f分别表示第f个频点对应的混合矩阵和分离矩阵。

4.根据权利要求3所述的基于改进独立向量分析算法的声信号盲分离方法，其特征在于，在所述步骤3中，所述预处理包括使观测信号X^f(n)零均值化和白化，并使分离矩阵W^f正交。

5.根据权利要求1所述的基于改进独立向量分析算法的声信号盲分离方法，其特征在于，在所述步骤42中，α取0.7，β取0.3。

6.根据权利要求1所述的基于改进独立向量分析算法的声信号盲分离方法，其特征在于，在所述步骤5中，对Y^f(n)进行逆短时傅里叶变换，以得到时域的分离信号。