单通道盲信号分离的概率方法

《单通道盲信号分离的概率方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、单通道盲信号分离的概率方法概要当只有单声道录音时，我们提出了一种新的技术实现源分离。其主要思想是基于利用声源的内在时间结构，通过学习在时域，在统计学上有效的方式进行编码的源代码的基础上筛选先验集。我们得出一个学习算法采用最大似然方法给出了观察单通道数据和基础的过滤器。每个时间点，我们可以推断信号源和他们的贡献因素。这一推断可能是由于先前知识的基础的过滤器和相关系数密度。建模的观察和实验结果表现出两个信号的混合物的分离性能高的水平，以及两个语音信号分离的高水平。1介绍在计算听觉场景分析和独立成分分析，提取个人从不同的信号添加剂混合声源已吸引许多研究者。为了确切的阐述这个

2、问题，我们假设所观察到的信号是P的所增加的独立源信号其中是信号源的采样值，是每个源的增益是固定时间的推移。请注意，上标表示样本指数随时间变化的信号和源识别。增益常数是受多种因素影响，如力量，位置，方向和许多其他的特性来源的发电机以及敏感的传感器。可以很方便地假设所有的来源，具有零均值和单位方差。我们的目标是恢复所有的只有一个传感器输入。对于易处理的数学问题来说这个问题太糟糕了因为对于未知数额PT+T只有T可以观测到。基于个人的声音在频域的推定，几个较早尝试对这个问题已经提出。ICA是一种数据驱动的方法[2]，这种方法是放宽强烈的特征频率结构假设。然而，ICA算法执行时

3、所观察到的数量。图1：所观察到的混合信号和原始信号源的生成模型。A单通道观察所产生的加权求和的两个信号源的不同特点。B个别信号源产生加权的信号的基函数的线性叠加。C实际系数分布的例子。他们通常比高斯分布有更尖锐的顶点和较长的尾巴，并将被分类为超高斯。是广义高斯密度函数的分布模型的一种形式，它提供了良好的匹配的高斯分布的不同指数。由左到右，指数下降，且分布变得更加超高斯。信号是大于或等于源的数量。虽然最近的一些完备的陈述可能放宽这一假设，分离从一个单一的通道源观察的问题仍然很困难。ICA已十分有效地在其他方面证明，如语音信号的编码和自然的声音。基函数和ICA的系数构成一

4、个声源的有效的表示给定的时间序列的估计的最大似然的密度，从而反映的统计结构的来源。本文提出的方法的目的是利用国际合作社联盟的基础职能分离混合来源从单一渠道观察。集合的基础功能学的先验从训练数据集，这些集合是用来单独的测试未知的生源。该算法恢复原始听觉流在多个梯度上升适应措施的最大似然信号的分离，利用基函数和概率密度函数的系数——ICA的基础上过滤器的输出。目标函数作为一个强有力的前源的特点不仅能利用国际合作社联盟的基础职能，而且它们的相关系数PDF的模型是广义高斯分布[1]。实验显示两个不同来源的模拟混合物的分离是相当成功的摇滚乐和爵士乐的音乐，男性和女性的语音信号。

5、2混合信号源生成模型该算法首先涉及到的声源的时域基函数的学习，这个声源是我们从一个给定的训练数据库中分离出来的。这相当于现有的信息是非常有必要成功地分离信号。我们假设有两个不同类型的生成模型中观察到的单通道混合物以及原始来源。第一个是描绘在图1-A。如公式1中所述，在每个所观察到的实例被假定为不同来源的加权总和。只有P=2的情况下，在我们的做法被认为是这样的。这对应的情况在1节中定义的，不同的信号混合和观察在一个单一的传感器。对单个的信号源，我们采用一种分解方法的另一个生成模型。以前采用这种方法在分析声源[7]，从一个时变信号的线性叠加的一些基本模式，表示一个固定长度

6、的部分，称为基函数，标量倍数（图一）。连续样本长度N是信号源的一段，且N<=T，从t到t+N-1，而且和随后的部分是在黑体字母表示为N维列向量，。建造的列向量则表示为基础的线性组合功能，例如，其中M为基函数的数目，在N维列向量的形式中，是第个源中的第个基础功能，。该r.h.s.是矩阵向量记号。第二个下标k跟在源索引中的代表的系数向量的组件数量。我们假设M=N和A是满秩，所以和在两个方向上的转换是可逆的。基础的逆矩阵，是指产生系数向量的ICA滤波器：。这种分解的目的，在模型的多变量分布统计学上是有效的方式。ICA学习算法相当于线性变换，使组件统计学尽可能独立，以及最大限

7、度地为给定的训练数据[10]转换后的坐标的边际密度。其中表示一个变量的值的概率。在组成部分和随着时间的推移样品的因式分解的产品系数的联合概率是独立的。重要的是如何很好地匹配模型的分布是真正的的基本分布。真实数据的系数直方图显示，分布在一条长长的尾巴（图1-C）的峰值高度激化。因此，我们使用广义高斯之前[9]，可提供对称非高斯分布拟合指数秦在其最简单的形式的参数设置准确的估计。其中，，和是一个变量的实现PDF，并应特别注意。随着广义高斯ICA学习算法[9]，基础功能及其各个参数的设置事先得到以下源分离算法的先验信息。3分离算法该方法是出于ICA变换（公