[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

说明书

本发明提供一种基于改进独立向量分析算法的声信号盲分离方法，包括：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。本发明考虑声信号的卷积混合，自适应更新，能够更精确地恢复源信号，更快达到收敛；算法对更新步长的初始值不敏感，鲁棒性好，稳定性高。

技术领域

本发明涉及盲源分离信号处理领域，特别是涉及一种基于改进独立向量分析算法的声信号盲分离方法。

背景技术

随着数字信号处理理论和技术的发展以及相关学科的不断深入，大量有效的盲分离算法不断被提出，使盲分离问题逐渐成为当今信息处理领域中最热门的研究课题之一。在无线通信、图像处理、地震信号处理、阵列信号处理和生物医学信号处理等领域得到了广泛的应用。盲源分离用于解决瞬时线性混合问题目前已经有很成熟的算法，而且也得到了很好的应用，例如在图像增强和瞬时混合信号分离。

在实际系统中，传感器接收到的信号往往是源信号经过不同时延的线性组合，即传感器得到的观测信号是源信号的卷积和，称为线性卷积混合模型。这种混合模型更接近实际。所以语音信号的混合是典型的卷积混合信号，但是现有算法解决卷积混合信号分离问题并不是很有效，因为混合语音分离问题有其自身的难点，例如很多卷积盲分离算法是针对平稳信号的，而语音信号是典型的非平稳信号，因而关于实际情况中声信号的盲分离是一个亟待解决的难题。

发明内容

针对上述现有技术的不足，本发明提供一种基于改进独立向量分析算法的声信号盲分离方法。

为实现上述目的，本发明采用如下技术方案：

一种基于改进独立向量分析算法的声信号盲分离方法，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，采用基于自适应自然梯度的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。

进一步地，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＜∞。

进一步地，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。