基于独立分量分析和基音提取技术的盲源分离

论文摘要

论文的主要研究对象是盲源分离问题。目前,解决盲信号分离问题最主要的方法是独立分量分析(Independent Component Analysis,ICA)。ICA的主要思路是求一个分离矩阵使得分离后的信号间统计独立。由于ICA的目标是使分离出的信号间统计独立,而信号分离后的顺序并不影响其统计独立性。所以ICA算法存住许多等价解,这也就是ICA方法的主要缺陷,即分离后信号顺序的不确定性。然而,在许多实际问题中,分离后的信号顺序是至关重要的。在针对语音信号进行盲源分离的特定场合中,语音信号本身包含有大量的信息。如果能从这些信息中获取信号的排序信息。就可以解决ICA方法的分离信号顺序不确定问题。基音是语音信号的主要特征之一。而且具有准平稳特征并能反映出语音信号的频率和能量特征。通过引入语音信号的基音信息来解决信号分离后的排序问题存在两个问题:其一是如何从混叠语音信号中提取基音的问题;其二是如何能够充分利用语音信号基音信息来进行分离后信号排序的问题。为解决问题一,本文在语音信号正弦模型的基础上,通过分析基频平均谐波能量值,提出一种新的混叠语音基音提取算法。该算法首先计算语音信号基频平均谐波能量并绘制成曲线,然后寻找曲线中所有极值点,再经过分频及倍频过滤提取混叠语音所包含的基音频率。为解决问题二,本文通过对比语音信号分离前后的频域形式,结合语音信号基音摘要频率的谐波形式,推导出了一种结合分离矩阵和基音信息的排序算法。在结合以上难点的解决的基础上,设计了一种基于语音基音信自、的有序盲信号分离系统,井通过实验对本文所构造的分离系统进行了分析和验证。最后,采用Tl公司的DSP芯片TMS320C54lO对混合语音采集与盲信号有序分离系统进行了软硬子}设计。并给出了部分源代码。关键词:从台提取犷f源分离语音信号处理DSP第2页

论文目录

• 目录
• 1 绪论
• 1.1 研究背景及意义
• 1.2 本论文的主要工作及内容安排
• 2 语音信号基音提取
• 2.1 基音提取的概念
• 2.1.1 语音信号的基本特点
• 2.1.2 基音及基音提取
• 2.2 研究现状与仿真分析
• 2.2.1 短时自相关函数法
• 2.2.2 短时平均幅度差函数法（AMDF法）
• 2.2.3 倒谱法
• 2.2.4 小波变换法
• 2.2.5 实验结果与分析
• 2.3 混合语音的基音提取
• 2.3.1 目前算法存在的问题及其改进思路
• 2.3.2 混叠语音基音提取算法
• 2.3.3 基音提取的后期处理
• 2.3.4 实验结果与分析
• 2.4 小结
• 3 盲源分离
• 3.1 盲源分离问题概述
• 3.1.1 研究背景及意义
• 3.1.2 问题描述
• 3.2 独立分量分析
• 3.2.1 ICA的基本概念
• 3.2.2 目标函数与学习算法
• 3.2.3 ICA仿真实验
• 3.3 ICA的改进
• 3.3.1 ICA的等价解
• 3.3.2 基音信息的引入
• 3.3.3 盲信号有序分离系统构想
• 3.3.4 排序算法
• 3.3.5 实验结果与分析
• 3.4 小结
• 4 基于DSP的盲信号有序分离系统设计
• 4.1 DSP简介
• 4.2 系统总体结构
• 4.3 调度控制模块
• 4.4 串口通讯模块
• 4.4.1 概述
• 4.4.2 硬件电路
• 4.4.3 程序设计
• 4.5 数据采集与输出模块
• 4.5.1 总体结构
• 4.5.2 TLC320AD50C
• 4.5.3 McBSP
• 4.5.4 DMA
• 4.5.5 初始化程序
• 5 结论
• 致谢
• 参考文献
• 附录
• McBSP的SPI完整配置程序
• 攻读硕士期间撰写的论文