（通信与信息系统专业论文）基于时域的语音信号盲分离算法研究及其dsp实现.pdf

删川大学硕j 上学位论文基于时域的语音信号旨分离算法研究及其d s p 实现 y 6 543 6 5 基于时域的语音信号盲分离算法研究及其d s p 实现 通信与信息系统专业 研究生张玲指导教师何培宇教授 盲信号分离是当前信号处理研究的热点课题之一，在无线数据通信、雷达、 图像、医学、语音以及地震信号处理等领域有着广阔的应用前景。卣信号分离 就是根据观测到的几个独立源信号的混合数据向量确定一变换，以恢复出原始 的源信号。典型情况下，观测到的数据向量是一组传感器的输出，每个传感器 接收到的是源信号的不同组合，称为混合信号。术语“盲”有两重含义：f 1 ) 源 信号不能被观测；( 2 ) 源信号如何混合是未知的。盲信号分离所研究的源信号是 多样的，本文只针对我们感兴趣的语音信号做出研究。 盲信号分离分为线性混合和非线性混合。在线性混合中，又包括两大类： 一类是基于瞬时混合模式，一类是基于卷积混合模式。目前，语音信号盲信号 分离的研究重点是基于卷积混合模式的。我们主要从时域出发对卷积混合模式 下的盲信号分离作了研究。 首先给出了一种可用于实际环境中的语音信号盲分离算法。在简化了一般 的盲信号分离模型基础上，阐述了该算法的分离准则并对其自适应收敛算法进 行了推导。该算法仅使用了二阶统计量，相对于其它的盲信号分离算法计算量 较小，并可以处理非最小相位系统的盲分离。对两个语音源信号的混合信号被 两个麦克风所拾取的情况，利用实际环境中所采集到的真实语音信号，进行了 计算机仿真，得到较好的试验结果。 基于t i 公司的浮点d s p ：t m s 3 2 0 c 6 7 0 1 ，利用上述的盲信号分离算法，实 现了两个语音源信号，两个麦克风情况下的盲信号分离系统。论述了该盲信号 分离系统的d s p 实现，并对该系统的性能做了分析。经现场验证，该系统不仅 达到了实时处理的要求，而且对真实房间中的两路语音信号的盲分离得到了较 四川大学硕士学位论文 基于时域的语音信号盲分离算法研究及其d s p 实现 好的效果。 最后，本文还针对目前盲信号分离研究中存在另一个难点问题，即在噪声 环境中，如何进行语音信号盲分离的问题进行了研究。为了解决由于噪声存在 而导致解混合系统性能发生严重恶化的问题，利用语音源信号的短时平稳特性 和噪声信号的长时间平稳特性，我们提出的差分方法可以抵消噪声信号的影响， 使得解混合系统的权仍能够收敛到正确值。同样的，我们也用计算机仿真证明 了算法的有效性。 关键词：盲信号分离卷积混合语音信号自适应算法相关d s p 四川大学硕士学位论文基于时域的语音信号盲分离算法研究及其d s p 实现 t h er e s e a r c ho nb l i n d s i g n a ls e p a r a t i o n a l g o r i t h m i nt i m e d o m a i na n di t sd s p i m p l e m e n t a t i o n c o m m u n i c a t i o na n di n f o r m a t i o ns y s t e m g r a d u a t e z h a n gl i n gs u p e r v i s o r h e p e i y u b l i n d s i g n a ls e p a r a t i o n ( b s s ) i sa l li m p o r t a n tt o p i c i nt h ed o m a i no fs i g n a l p r o c e s s i n g a n dh a s m a n ya p p l i c a t i o n s i n p r a c t i c e ，s u c h a sw i r e l e s sd a t a c o m m u n i c a t i o n ，r a d a r , m e d i c i n ea n de a r t h q u a k es i g n a lp r o c e s s i n g t h ea i mo fb s s i s t or e c o v e rt h eo r i 【g i n a li n d e p e n d e n ts o u r c es i g n a l sf r o mt h e i rm i x e d s i g n a lv e c t o r s ，b y c o n s t r u c t i n gac e r t a i nt r a n s f o r m h e r e ，“b l i n d ”m e a n st h a tt h ei n f o r m a t i o no f s o u r c e s a n dt h em i x i n gs y s t e mi su r l k n o w n i nt h i st h e s i s ，w eo n l yc o n s i d e rt h es i t u a t i o no f a u d i os i g n a l sa st h ei n p u ts i g n a l s t h e r ea r et w oc l a s s e so fb s s o n ei st h el i n e a rm i x t u r em o d e ，a n dt h eo t h e ri st h e n o n l i n e a rm i x t u r em o d e t h el i n e a rm i x t u r em o d ed e a l sw i t ht w o c l a s s e s ， i n s t a n t a n e o u sm i x i n gp r o b l e ma n dc o n v o l u t i o nm i x i n gp r o b l e m o u ri n t e r e s ti s m a i n l y 0 nt h el a t t e r i nt h i st h e s i s ，w e m a i n l y r e s e a r c hb s si nt i m e d o m a i n a n a l g o r i t h mo f r e a lw o r l ds e p a r a t i o nf o rc o n v o l v e dn o n s t a t i o n a r ys i g n a l si sg i v e n a na t t r a c t i v ef e a t u r eo ft h i sm e t h o di st h a to n l yo n es e to fc r o s s - c o r r e l a t i o nd a t ai s u s e da n dn o n m i n i m u mp h a s es y s t e m sc a r l b et r e a t e d w ea n a l y z et h em o d e lo f s e p a r a t i o ns y s t e m ，s e p a r a t i o nc r i t e r i aa n dg i v et h ed e v i a t i o no fa d a p t i v ea l g o r i t h mo f b l i n d s i g n a ls e p a r a t i o n t h ev a l i d i t y o ft h i sm e t h o dh a sb e e nc o n f i r m e d b y a c o m p u t e rs i m u l a t i o nw i t ht h e r e a ls p e e c hs i g n a l s w er e a l i z e dab s s s y s t e m ( t w om i c r o p h o n ei n p u t sa n dt w os p e a k e ro u t p u t s ) b a s e d o nt h et m s c 6 7 0 1f l o a t i n gd s p , u s i n gt h i sa l g o r i t h m ，a n dd i s c u s si nb r i e ft h e r e a l i z a t i o no fo u rb s sa l g o r i t h mo nd s ei nt h er e a l t i m ep r o c e s s i n g ，i th a sb e e n p r o v e d t h a t 0 n r b l i n ds i g n a l ss e p a r a t i o ns y s t e mh a so b t a i n e das a t i s f l e ds e p a r a t i o n 四川大学硕，l j 学位论文 基于时域的语音信号盲分离算法研究及其d s p 实现 r e s u l t ， a tl a s t ，w es t u d yt h es p e e c h s i g n a ls e p a r a t i o ni nt h en o i s ye n v i r o n m e n t i no r d e rt o a v o i d t h ede t e r i o r a t i o n o f p e r f o r m a n c e0 f u n m i x t u r es y s t e m ，w eu s e t h e l o n g t e r m n o n s t a t i o n a r i t yo fs p e e c hs i g n a l s ，a sw e l la st h el o n g t e r ms t a t i o n a r i t yo fn o i s es i g n a l t oc a n c e lt h ee f f e c tt h a tn o i s ea d d st o u m n i x t u r e s y s t e m u s i n gt h e d i f f e r e n t i a l a p p r o a c h ，t h ec o e f f i c i e n t so ft h eu n m i x t u r es y s t e mc a nc o n v e r g et ot h e i rc o r r e c t v a l u e s i t se f f e c t i v e n e s si ss h o w n b y m e a n so f c o m p u t e rs i m u l a t i o nw i t hr e a ls p e e c h s i g n a l sa st h e i rm i x t u r ei n p u t s k e y w o r d s ：b l i n ds i g n a ls e p a r a t i o n ，c o n v o l u t i o n m i x t u r e ，s p e e c hs i g n a l ， a d a p t i v ea l g o r i t h m , c o r r e l a t i o n ，d s p 4 叫川火学硕士学位论文 基于时域的语音信号盲分离算法研究段其d s p 实现 1 前言 1 1 目的和动机 现实生活和自然界中存在大量的信息需要人们去获取和认识，这些信息可 能是预先己知的，也可能是事先未知的，人们通过对这些信息进行分析获得认 识和改造自然的能力。然而信息的纷繁复杂也给人们的工作带来许多困难，人 们很难判断信息的准确性和真实性。信号与信息处理的任务就是从大量的数据 中提取人们所希望得到的信息，提供给人们做出判断或通过一些复杂的逻辑由 机器做出判断。 、 在这篇论文中，我们研究了一种新的信号处理理论盲信号处理。从应用 的角度看，盲信号处理可以分为盲系统识别( b l i n ds y s t e mi d e n t i f i c a t i o n ) 、盲反 卷积( b l i n dd e c o n v o l u t i o n ) 矛d 盲信号源分离( b l i n ds o u r c es e p a r a t i o n ，b s s ) 。我 们主要讨论盲信号源分离。 盲信号源分离“儿2 就是根据观测到的几个独立源信号的混合数据向量确 定一变换，以恢复出原始的源信号。典型情况下，观测到的数据向量是一组传 感器的输出，每个传感器接收到的是源信号的不同组合，称为混合信号。术语 “盲”有两重含义：( 1 ) 源信号不能被观测，( 2 ) 源信号如何混合是未知的。在盲 分离算法中不能利用源信号和传输信道的信息。 这种情形在实际环境中常会遇到，如“鸡尾酒会问题”( c o c k t a i lp a r t y p r o b l e m ) 。在嘈杂的会议大厅中，不同的说话者发出相互独立的语音源信号， 经过空间传播而混杂在一起。人耳能够准确地捕获到所关心和感兴趣的语音， 而现有的仪器设备却很难做到这一点。要让机器自动地识别出某一个说话者的 语音，就要用到盲信号分离技术。 在b s s 中最常用的假设是源信号的相互统计独立性。统计独立性即表明： 无法从一个源信号获知其它源信号的任何知识。已经证明”1 ，如果源信号满足 统计独立，那么信号分离的充分必要条件就是输出的信号也统计独立。我们在 该文中所给出的算法也是满足这一条件的。众多的研究者基于源信号统计独立 的假定条件，提出了各种不同的盲信号分离算法“。 盲信号分离包括两大类：一类是基于源信号线性瞬时混合模式的假设，即 旧川大学硕h 学位论文 基于时域的语音信号肓分离算法研究及其d s p 实现 混合模式为x ( k ) = h s ( k ) ，h 为一矩阵。但对于实际语音增强和分离问题，由 于语音信号实际传播过程中的时延和空间、器件滤波效应，传感器接收的输入 大多是时延和相移源信号的混合，所以实际情况下b s s 往往是基于卷积混合模 式的。我们所研究的语音信号盲分离也是基于这种情况的。 1 2 盲信号分离的数学表示 假设n 个不同的独立的源信号被”个传感器所接收。在k 时刻，源信号构成 的n 维向量为s ( 女) = s i ( 女) ，s ：( ) ，s 。( 尼) 7 ，n 个传感器所观测到的混合数据向量 表示为x ( k ) = 一( 女) ，x ：( 女) ，一，( 七) 7 。我们希望经过旨信号分离处理后得到的输 出信号y ( k ) = y 。( a ) ，y ：( ) ，y 。( ) r 是源信号的“复制”。定义混合函数，( ) 和分 离函数口( ) 。有： x ( k ) = 厂( s ( 女) )y ( 女) = g ( x ( 女) )( 1 1 ) 即：y ( k ) = 占( 厂( s ( 七) ) ) 。b s s 的最终目的是找出合适的分离函数g ( ) ，使估计的 输出y ( k ) 是源信号s ( k ) 的一些简单变换，如幅度和时延。 依照混合函数，( ) 的不同形式，可把b s s 问题分为三类： 1 ) 瞬时混合：，( s ( ) ) = t t s ( ) ，i t 是常n x n 维的矩阵，h 。为第i 行、j 列 的元素，定义为乘积； 2 ) 卷积混合：厂( s ( ) ) = i l l 。s ( j | ) ，h 。是第p 个延迟上n 维的混合矩阵， 第i 行、歹4 的元素为h 。，+ 定义为线性卷积； 3 ) 非线性混合：m ) 是非线性函数，可能包含延迟环节。 前两种模型都属于线性混合模型。线性混合模型对应的分离系统也是线性 时不变系统，对应的分离矩阵分别定义为w 和w p 。对于瞬时混合，b s s 获得 分离的条件是：w h = p d ；对于卷积混合，则为w j 十h 。= p d ( t ) 。这里p 是个广义交换阵，d 为n x n 维的对角矩阵，d ( f ) 表明对角元素的每个元素上 含有时延f 。这表明输出y ( k ) 对于s ( k ) ，只存在着排列顺序、幅度或时延( 对卷 积混合而言) 的差别，我们称之为盲分离的模糊性( a m b i g u i t y ) 。但从信号分离 的角度看，这是无关紧要的。 非线性混合模型在混沌、分行等非线性理论中有广泛的应用，在此不再讨 论。 2 四川大学硕j 卜学位论文基于时域的语音信号盲分离算法研究及其d s p 实现 1 3 盲信号分离的应用 盲信号分离的技术可以运用到很多不同的领域中。在这里作一个简单的概 括。所有的这些具体应用都有一个共同的特点：未知的源信号和未知的传输信 道。 助听器 在有两个或两个以上的说话者存在的条件下，有听力障碍的人往往很难把 注意力集中到某一个人身上。可以利用盲信号分离的技术选择出特定的源信号， 使得人们可以清楚地听得想要与之交流的 兑话人的声音，而不会受到其它外来 声音的干扰。传统韵助听器仅具有单纯的放大功能和简单的语音滤波器，在噪 声环境中，将所有的接收到的信号一同放大，导致助听器的功能下降。将盲信 号分离的技术运用到助听器中，将大大提高这一产品的实用性。 视频会议系统 视频会议目前是基于个人计算机并结合多媒体技术和网络互联技术。在一 个嘈杂的办公环境中，用盲信号分离技术进行预处理，可以将某一位说话人的 声音很好的提取出来，噪声的衰减使得传输性能提高。 语音识别 盲信号分离技术也可用于语音识别、噪声对消和话音增强中。期望信号被 噪声所污染，可以将噪声信号看成一个源信号，利用信号分离技术将所希望得 到的信号单独地提取出来。当期望信号被强干扰信号所湮没，如e e g 信号和被 动声纳中这一技术是非常有用的。 数据传输 在数字通信中，串扰( c r o s s t a l k ) 是很普遍的但又不希望的现象。信号分离技 术可以很好地修正这一现象。 图像处理 在图像重建和图像恢复中，我们对从已污染的图像中恢复出原始的图像感 兴趣。借助盲信号分离的技术可以从被污染的图像中提取出原始图像。 1 4 目前研究进展及障碍 盲信号分离的开拓性研究是在1 9 9 1 年。目前的发展分为两种趋势：一是研 究亩信号处理的基础理论以及新的信号处理方法，这是盲信号处理发展的主流； 另一种是把已有的其它研究领域内的技术扩展到盲信号处理中来。 四川i 大学硕士学位论文 基于时域的语音信号盲分离算法研究及其d s p 实现 耍指出的是：尽管目前科学家们已提出了各种的盲信号分离算法，但是仅 仅局限于算法的讨论和计算机的软件仿真，要应用到实际环境中还是存在着很 多问题，比如： 很多自信号分离的算法要么收敛速度慢，要么训算复杂度太大，很难在 实际环境中得到应用。 噪声的存在大大的恶化了目前各种盲信号分离算法的实际效果。 源信号的数目通常是未知而且是变化的。 4 四川大学硕士学位论文 基于时域的语音信号盲分离算法研究及其d s p 实现 2 真实环境中的盲信号分离算法 在这一章中，首先对盲信号分离的算法作一个简单的介绍，比较了时域和 频域盲信号分离算法。主要地，给出了一种真实环境中的盲信号分离算法。从 盲分离系统的模型构造、分离准则的选取以及自适应收敛算法的推导，都给出 详尽的说明。我们使用实际环境中所得的真实语音信号，通过计算机的盲信号 分离的仿真，得到较好的仿真结果。 2 1 盲信号分离算法概述 对于卷积混合模型，观测到的混合数据向量不是源信号在幅度上的简单叠 加。混合数据也不仅仅只与当前时刻的源信号有关，还与以前时刻的源信号有 关。卷积混合模型是瞬时混合模型在时间上的扩展，在实际中更为常见。目前 科学家们提出了各种盲信号分离算法。主要有基于这几种分离方法： 最小化互信息量( m i n i m u mm u t u a li n f o r m a t i o n l 信息传输最大化( i n f o m a t o nm a x i m i z a t i o r t ) 最大化负熵( n e g e n t r o p ye n t r o p ym a x i m i z a t i o n ) 最大似然估计方法( l i k e l i h o o dm a x i m i z t i o n ) 最小化互高阶统计量( m i n i m u mo f c r o s s h o s ) 神经网络f n e u r a l n e t w o r k ) b s s 目的是要使得输出信号尽可能的独立，互信息量或k l 散度( k u l l b a c k l e i b l e rd i v e r g e n c e ) 是测量统计独立的最直观的信息量。r c o m m o n “3 证明了最大 化系统输出的负熵可以导致信号的分离。已经证明”1 ，最小化互信息准则、最 大化负熵准则、最大似然估计准则的目标函数在一定的条件下都能获得相互独 立的输出。在一定条件下它们是等效的。对于瞬时混合的盲分离，利用二阶统 计量足以实现信号的盲分离。3 。对于卷积混合的盲分离，从理论上说，二阶统 计量s o s ( s e c o n do r d e rs t a t i s t i c s ) 算法相对于高阶统计量h o s ( h i g ho r d e r s t a t i s t i c s ) 算法。“川在性能上有所降低，但因其计算相对比较简单，收敛速度快， 在实际应用中有很大的优势。神经网络的方法很多时候是和最小化互h o s 结合 使用的。其它的一些算法，在此不再提及。有兴趣的读者可以参考文献。 四川大学硕士学位论文基于时域的语音信号茸分离算法研究及其d s p 实现 在具体的实现上，盲信号分离算法又可以分为频域实现“和时域实现。 时域实玑和频域实现各有利弊。对于频域的盲信号分离，优点是：( 1 ) 可以简单 地将时域中的卷积混合变换到频域成为瞬时混合，降低了计算复杂度；( 2 ) 利用 独立分量分析( i c a ) 的方法可以得到稳定的收敛。但缺点是：( 1 ) 由于变换到频 域，在每个频点，源信号独立性的假设被破坏；( 2 ) 由于盲信号算法本身存在着 幅度和排列顺序的模糊性，则频域内的输出在每个频点处的输出顺序可能被打 乱，这时，反变换到时域的输出就不再是源信号。而对于时域的b s s ，优点是： ( 1 ) 由于直接在时域中进行盲分离，源信号的独立特性被很好地保持；( 2 ) 搜索到 最优点的可能性很高。缺点是：( 1 ) 在时域中进行盲分离的迭代，计算量大；( 2 ) 在混晌条件下，收敛性能下降。混合滤波器的长度很长时，采用时域算法需要 大量的观测数据和较长的时间才能得到满意的结果，同时在每次迭代过程中的 计算量也很多，实际应用的难度较大。 时频域的盲分离算法在一定程度上是互补的，于是就有学者提出了两者结 合的盲信号处理方法“。将两者相结合得到种新的盲信号处理方法，是一- 干十 值得关注的做法。 2 2 盲信号分离系统的模型 以两个源信号的混合信号被两个传感器拾取的情况( 2 x 2 维) 为倒，对盲信 号分离系统的模型进行研究。从言信号分离的模型入手，简化系统模型，可以 减少计算量，利于盲信号分离系统的实现。对于多个源信号，多个麦克风的盲 分离模型与之类似。2 x 2 维的情况是盲信号分离问题最简单的情形，也是日前 研究的重点。 图2 1 中，s 。( t ) 和s ：( f ) 表示两个独立的盲源信号。两个源信号到达两个传 感器具有四条不同的传播路径。h i 代表第，个源信号到达第i 个传感器传播路 径的传递函数，通常认为h ，是稳定线性时不变系统。接收到的混合信号为： q 0 ) = h 。，( z ) s 。( z ) + h ，。0 ) 屯0 ) z 2 ( 2 ) = i - 1 2 2 ( z ) s 2 ( z ) + h 2 l ( z ) s l ( 2 ) 。 。 塑型查兰婴主兰垡笙兰 一 兰堕垫塑至童堕兰堕坌塞竺! 塑茎丝墨里坚! ! ! 翌 盟t 一堕j 一一d 驾 i 一叫戛 、 圉2 1实际的盲信号混合模型 在大多数的盲信号分离算法中，采用与该混合模型对应的分离模型，需要 求解四个解混合滤渡器。为了减少解混合滤波器的个数，将上述的盲信号混合 的模型作以下改变，见图2 2 ，有： 。( z ) = h n ( z ) s t ( z ) + ( h 。( z ) h 2 2 ( z ) ) ( h t t ( z ) 毛( 2 ) ) ( 2 2 ) ( z ) = h 。( 名) 屯( z ) + ( h ：。( z ) h 。0 ) ) ( h t - 0 ) 毛( z ) ) 坐l 叫习掣一弋卜一型 亟回 圉2 2 经过简化的盲信号混合模型 注意到图2 2 中的( t ) 及( ) ，是一对互相独立的随机变量，荠且完全携 带了源信号岛( t ) 、8 2 ( t ) 的信息。将盲信号分离的目标由8 1 ( z ) 和屯( ) 改为( t ) 及 。；( t ) ，不仅没有丢失任何岛( ) 、s 。o ) 的信息，而且更具有空间的真实感。盲源 信号混合模型简化为图2 3 。其中s ：( 。) 和3 ：( z ) 分别为h 。，( z ) s ，扛) 和h t 。( z ) 3 2 ( z ) ， h ：( z ) 和h ：。( z ) 分别为h 。( z ) h 。( z ) ，h 。( z ) h 。( 2 ) 。建立与盲信号混合模型 x x ( z ) = ( z ) + h 厶( z ) ( z ) ，。 4 oj ( z ) = s 。t ( z ) + h 乞0 ) s ：( 引 对应的分离系统模型如图2 4 。这里，蟊。，( z ) 为解混合滤波器。 、一 罢 一 一 型| 】大学硕士学位论文基于时域的语音信号盲分离算法研究及其d s p 实现 ( 砷 一 l 蔓一j r _ h ；。i ? + j 一： 、 、一 印( t ) 图23 简化后的盲信号混合模型 矾( z ) = x i ( z ) + 豆。( z ) ( z ) 9 2z ) = x 2z ) + b 2 1 ( z ) z 1 ( 2 ) 当昏。( z ) = 一h ：。( z ) ，百。0 ) = 一h ：( z ) 时： y iz ) = ( 1 + 百，。0 ) h ：。0 ) ) 扛) = ( 1 一h ：。( z ) h ：，( z ) ) s ：( z ) 。心) = ( 1 + 百。，( z ) h ：。心) ) s ：( z ) = ( 1 ：，( z ) h ；。( z ) ) s ；( z ) 图24 分离系统模型 ( 2 4 ) ( 2 5 ) 只要使得( 1 一h ：。( z ) h ：。( z ) ) 为某一常量c ，则弘( z ) = c 8 。( z ) ，即分离出源信号。 2 3 一种真实环境中的盲信号分离算法 2 3 1 盲信号分离的假设 本文研究针对语音信号的情况，研究的重点是非平稳信号的盲信号分离。 对于麦克风数目与源信号数( n ) 相同的情形，有下列假设： 毛；f 丽羔 四川大学顿十学位论文 基于时域的语音信号盲分离算法研究及其d s p 实现 非平稳源信号s i ( f ) ，( 一1 ，) 是互相独立且零均值信号，源信号的自 相关矩阵r ，( r ，f ) 是一个对角矩阵。 混合矩阵h ( z ) 在单位园上没有零极点 2 3 2 分离过程 将图2 3 的混合模型扩展到n 维( n 个源信号、n 个传感器) ，为了处理非 最小相位的问题，在第i 个源信号和第i 个传感器之间加入了三的延迟。输出信 号y i n ) ： v d t ) 。= 吒0 一三) + ( ) 。， 一) j ；z ( 2 6 ) = 瓦( z ) 哆( ) 0 = l ，n ，0 s 上 - 0 ( 2 7 ) 2 l 当分离系统的输出y o ) 保持了源信号s ( f ) 的波形时，y ( f ) 的协方差矩阵同样 也为对角阵。令矩阵k = e y ( t ) y 7 ( f ) ) ，当分离矩阵获得满意的输出时，( 2 7 ) 式 盟竖壁墅堂兰堡兰 苎王盟垫塑至童堕量宣坌塞茎鲨墅塞墨茎里塑壅里 获得最小值零。因此m a t s u o k a 等提出的目标函数为： ，( 矽) = i 1 i n e y 一i n d e t e y ( t ) y ( t ) 7 ( 28 ) 。l 卢1i 把上述目标函数推广到了卷积混合的情形“5 = ，得到了用于非平稳信号的卷 积混合模型的代价函数： 1rn、 q ( t ，百( z ) ) = 寺 l o g e y ，( 卜三) 2 卜l o g d e t e y ( t l ) y ( t 一三) 7 ( 2 9 ) l i = 1 j 通过使代价函数q ( t ，百( z ) ) 最小，找到矩阵百。( z ) ，使c ( z ) ：d ( z ) p 。为了 使得代价函数最小，使用最速下降法： a b ( k 1 圭一q o q ( t , b ( z ) ) o b ( k )叫铲忙吣一 旧 运里，。是一个【f 的小变量。符号表示左边等式的非对角元素等于右边 等式的非对角元素相等。计算等式的右边，有： b ( ) 。n z 。 i 一( d i a g e y ( t l ) y ( t 工) 7 1 ) 1 e y ( t l ) y ( t 一上) 7 百( z ) 一7 ( ：0 一，m ) 。 ( 2 1 1 ) d i a g ( ) 表示肘角阵a 在实际情况中，我们通常用瞬时值代替目y 0 一l ) y ( t 一三) 7 ， 使用下述滑动平均： 破o ) 2 卢破。- 0 1 ：) + ，( 1 - ，f l ；) y , ( t - l ) 1 2 1 0 ) ( 2 1 2 ) ( 江，： 口 n ，其中k 是整数，n 是f m 滤波器的阶数。 而且，循环缓冲区的起始地址必须对准2 。的边界。例如：n = 3 2 时，循环缓冲区 的边界必须是比3 2 大的二进制边界。在c 6 0 0 0 系列中可使用： # p r a g m ad a t a _ a l i g n ( b u f f e r n a m e ，l e n t h ) 来定义，其中定义的循环缓冲区名，l e n t h 表示按多少字节对齐。 f 2 ) 优化汇编码 在c 6 0 0 0 的开发过程中，一般是将低效率段用线性汇编编写，再用汇编优 化器优化。尽管c 6 0 0 0 提供了强大的汇编优化器，但是在具体的算法实现中， 由于汇编优化器有时并不能很好的领会程序员的意图，所以还是很有必要进行 手动优化。 在我们的线性汇编程序中，对于刁i 相关的指令我们编写了并行代码。并行 代码是指代码中可并行执行的指令，并行代码的标志为符号l ，表示本条指令 与上条指令并行执行。在c 6 0 0 0 中，分别有两组对称的功能单元，可以同时 的使用这两组功能单元进行计算从而提高计算速度。 我们使用了双字访问字的数据打包技术。当数据在内存单元中是按双字排 列的，可以用取双字指令( l d d w ) n 时读取2 个3 2 b i t 的整数或浮点数。例如在 该程序中，两组权向量的读取以及输入信号向量的读取我们都使用了数据打包 技术，其优化效果是明显的。 在汇编优化中，最重要的方法是软件流水。利用一0 3 的编译器选项可得到最 高程度的优化，使用包括软件流水在内的多种优化方法。 ( 3 ) 数据转换 由语音编码器采集到的语音信号为- 3 2 7 6 8 ( 8 0 0 0 h ) 3 2 7 6 7 ( 7 f f f h ) 的1 6 b i t 的 整数。为了避免数据溢出，在进行盲信号处理之前，将该数据转换成( 1 ，1 ) 之间 的小数；在处理完后，又要将6 1 ，1 ) 的小数转换成一3 2 7 6 8 3 2 7 6 7 的整数由语音编 码器输出。在该程序中使用c 语言进行转换。 整数转换成小数：x ；( f l 。a t ) x 3 2 7 6 8 j 小数转换成整数：y ；c i n t ) ( y x 3 2 7 6 8 ) j f 4 ) 其它处理 进行d s p 处理时，为了节省计算量，在不影响算法性能的前提下，对算法 做了某些改动，如：将公式( ) = 一口m o - l ) y j ( t - k ) # ，( t ) ( i ，j = 1 , 2 ；i j ) 中 的一口_ y o 一上) 衍( f ) 项移到权迭代循环之外。 p _ q 川i 大学硕士学位论文 基于时域的语音信号盲分离算法研究及其d s p 实现 3 3 小结 在这一章中，我们基于t i c 6 7 0 1e v m 实现了盲信号分离系统。从硬件和软 件两方两进行了阐述该系统的实现过程，并介绍了所涉及d s p 的相关部分。在 该系统中，解混合滤波器阶数为2 5 6 阶，加上线性汇编的优化，能够达到实时 处理。在下一章里，我们将对该盲信号分离系统的性能做出评估。但是当滤波 器阶数加大，如1 0 2 4 阶，按照样点进行处理的方式和急剧增加的计算量使得进 行实时处理变得困难。 州川火学硕i 学位论文 基于时域的语音信号盲分离算法研究及其d s p 实现 4 系统效果评估 前一章已经论述了盲信号分离系统的实现，在这一章中给出了该系统的实 验条件，对该盲信号分离系统的性能做出评估。经现场验证，该系统不仅达到 了实时处理的要求，n n x , j 真实房间中的两路语音信号的盲分离得到了较好的 效果。 4 1 实验条件 将构建的盲信号分离系统在一个1 3 m x 6 m x 3 m 的空旷的房间内进行实验。两 个单声道的扬声器作为声源，两个单声道的麦克风采集混合信号。麦克风之间 的距离约为2 0 c m ，扬声器之间的距离约为1 5 c m ，麦克风组和扬声器组之间的距 离约为3 0 c m 。盲信号分离后的信号，由e v m 版的l i n eo u t 口输出，为避免信 号干扰，这里接的是一个双声道的耳脉。 两路解混合自适应滤波器阶数选为2 5 6 个，话音采样率为8 k h z 。用构建的 盲信号分离系统进行实时处理。 4 2 主观测试 我们在程序中设置了一个标志位，该标志为0 时不进行盲信号分离的处理， 为1 时进行盲信号分离的处理。 分别用收音机广播和单放机输出的音乐信号作为两路语音源信号。没有进 行盲信号分离处理时，通过耳脉的左、右声道同时听到了收音机广播信号和单 放机输出的音乐信号，表明源信号同时被麦克风所拾取，左、右声道都接收到 混合信号。当进行了盲信号处理后，耳脉的左声道很清晰地听到了收音机广播 信号，几乎听不到单放机输出的音乐信号，而右声道则清晰地听到了单放机输 出的音乐信号，收音机广播的信号则被大大的削弱了，也几乎听不到该广播信 号。 将信号源换成人的话音信号和单放机的音乐信号，结果类似。表明我们所 构造的语音信号盲分离系统能够较好地对不同的非平稳信号进行语音信号的盲 分离。 型幽! ! 兰婴! 二堂垡鲨兰 兰至堕苎塑堡童堕兰重坌曼簦望堕至墨兰旦翌! ! 翌 另外，我们还对只有一个语音信号输入的情况进行了实验。这时，两个麦 克风只接收到了一路语音信号。进行盲信号处理后，耳脉的左声道输出了清晰 的语音信号，而另一路输出了不太清晰的语音信号。与左声道信号比较，可明 显感觉到该信号是语音源信号的衰减信号。 4 3 客观测试 采用分离度( s d ) 进行客观测试。分离度定义为： s d = 妻( 跚+ 观) ：兰 ，。s 去尝 + ，。- 。s 卺嚣 ) 4 1 s d ，n n - - n n n n n 白噪声，第二路源信号关闭时测得；s d 2 当第二路源信号 为白噪声，第一路源信号关闭时测得。其中j 。、岛为源信号的估计，此处为b s s 系统的输出；、x ，为麦克风接收到的混合信号，p 表示功率。 白噪声源由m a t l a b 产生，先用同样的自噪声源分别接左右两路声源扬声 器，使之音量大小一致。在4 1 节的试验条件下，我们测得的s d 为2 6 8 1 d b 。 不改变试验环境，重复测量，s d 值较稳定。 需要指出的是，该分离度( s d ) 的定义只是一个大致的定量。一是因为我们的 b s s 系统是针对于语音信号的，但由于语音信号的非平稳性造成测量的困难， 这里用平稳的自噪声信号代替了语音信号输入；二是因为在测量s d l 和s d ：都 分别使得另一路信号为零，这样在客观上又使得测出得分离度( s d ) 的准确性降 4 4 小结 本章主要是对该盲信号分离系统的性能做出了评估。经现场验证，该系统 不仅达到了实时处理的要求，而且对真实房间中的两路语音信号的盲分离得到 了较好的效果。根据式( 4 1 ) 测的分离度达到2 6 d b ，达到了设计要求。 叫i 【入学顺士学位论文基于时域的语音信号盲分离算法研究及其d s p 实现 5 噪声环境中的盲信号分离 在以上所研究的盲信号分离的算法以及大多数的b s s 算法中( 包括频域和 时域算法) ，都没有考虑到噪声的影响。实际上，噪声和干扰在很多应用中都是 不可忽略的闲素。在获取混合信号的过程中，若存在较强的背景噪声，噪声就 成为隐含的另个源信号。噪声分量迭加到盲分离系统的输入端将导致其分离 性能的严重恶化。在这一章中，我们对噪声环境中的语音信号盲分离进行了研 究。对一种盲信号分离算法进行二阶差分的改进，在不增加传感器的前提下， 利用语音源信号短日_ j 平稳特性和噪声的长时间平稳特性，使得在加入了背景噪 声的情况下，解混合系统仍然能够正常的工作。 5 1 噪声对盲信号分离算法的影响 假设s 代表独立的信号源向量，x 代表混合信号向量，h 是一, 的混合矩阵， v 是加性噪声向量。接收到的混合信号为： x = i - i s + v ( 5 1 ) 假定已经获得了个良好的参数估计w ，使得： y = w x = s + w v( 5 2 ) 在式( 5 2 ) 中，由于噪声的存在，无论w 取什么值，输出向量y 的成分也不 再是真实的源信号，而且输出向量y 的各个成分并不独立。而无噪声信号时的盲 信号处理算法的准则或代价函数在一定的条件下都能获得统计独立的输出。因 此要获得噪声环境下最佳的盲信号重构就必须选择新的准则。 噪声的存在彻底地改变了无噪声时的盲信号处理算法，给盲信号处理引入 了一个新的问题。在有噪声存在的情况下，如果我们继续采用无噪声时的盲信 号处理算法，使得输出向量y 各分量统计独立的话，必然会引起解混合滤波器的 错误收敛，分离性能的严重恶化，无法进行盲信号分离。许多的文献“”“”就噪 声环境中的盲信号分离算法进行了研究。但是，既可利用现有的盲信号分离算 法，又可以避免分离性能的恶化，不失为一种较为简便的方法，尤其是在噪声 信号只是短时间出现的情况。 四川大学硕士学位论文基于时域的语音信号盲分离算法研究及其d s p 实现 5 2 盲信号分离算法二阶差分的改进 我们对现有的无噪声时的盲信号分离算法进行二阶差分的改造，在噪声环 境中，仍然可以进行盲分离，而不会导致盲分离系统性能恶化。 双l 数i 竺f - - s ，- - r i 图5 1基于前馈结构的语音分离框图 s a d ( s y m m e t r i ca d a p t i v ed e c o r r e l a t i o n ) 算法“0 3 是较早提出的一种盲信号分 离的算法，满足第二章中所提到的假设条件。系统框图如图5 1 所示，混合滤波 器爿：( z ) 、4 ( z ) 均为严格因果的，解混合滤波器w ：( z ) 、，( z ) 为严格因果的m 阶有限冲激响应( f r o ) 滤波器。( 亿七) ， 1 , m 表示n 时刻的第k 阶滤波器系 数。为使得r 。( r l ，n 一) = 0 ，权向量的更新公式为： ( ”+ 1 ，女) = ”o ( 月，k ) + “，( n ) u j ( n 一女) ，i l ，2 ，k f1 ，ml ( 5 3 ) 当： ( z ) = 4 ( z ) ，i ，f 1 , 2 ) ( 5 4 ) 成立时，称为分离状态。解混合系统输出为： 一o ) 2 了二赢o ) 2 ( ，) f 2 1 ，2 ) ( 5 5 ) 如此时除了有两个源信号存在外，还有另一个较强的噪声信号n 存在。两个传感 器接收到的混合信号表示为： y1(zz)=；ssl。(zz)+a2。1(z洲)s2(zz)+a3，1：(z)n(z)y2 a a ( o n ( o ( 5 6 ) ( z ) = s 2 ( z ) +j 2 ( z ) s l ( z ) +3 2 、。 假设w 。( = ) 为固定值时，有： 四川大学硕士学位论文 基于时域的语音信号宣分离算法研究及其d s p 实现 r q ( ”，h 女) = ( 1 一w 2 ( z ) a 。：( j ) ) ( a 一。( z ) 一v 旺：( z ) ) r 。( n ，月七) + ( i w j z ( z ) a z - ( z ) ) ( a ：t ( z ) 一w 2 t ( z ) ) r 。： ，n k ) ( 5 7 ) + ( a 3 1 ( z ) 一