基于非负张量分解的多通道音频信号盲分离-研究

《基于非负张量分解的多通道音频信号盲分离-研究》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、摘要盲信号分离(BlindSignalsSeparatiori：BSS)是指在对源信号和混合系统的先验知识了解很少的情况下，仅根据观测信号恢复出源信号的过程。混合音频信号的分离是盲信号分离技术研究的初衷，也是信号处理领域的一个难点，近年来最常见的音乐信号的分离获得了极大关注，在计算机自动识谱、旋律提取、音乐信息检索、高效音乐编码等技术中都有重要应用。本文主要研究线性瞬时混合的多通道欠定音乐信号的盲分离，提出了基于平行因子模型的非负张量分解算法。首先简要介绍了非负矩阵分解(NonnegativeMatrixFactorization，NMF)的三种方法，分析了NMF算法的原理。然后将

2、NMF算法的思想拓展应用到三阶的张量分解中，将线性瞬时混合的多通道音乐信号模型转换为平行因子模型，并分析得出该模型非负张量分解的乘法迭代公式，完成信号的分离。一般的盲信号分离是先将混合信号分离，再利用聚类算法恢复出源信号，聚类算法增加了复杂度，也直接影响分离的效果。本文在非负张量分解的基础上提出了采用标记矩阵的聚类的非负张量分解算法，使观测信号在分离的同时完成聚类，分离算法更简单高效。接下来利用音乐信号在时频域的稀疏性，对非负张量分解算法进行改进。首先分析时频单源点检测的方法，再利用分层聚类算法预先估计混合矩阵，将估计出的混合矩阵直接应用到非负张量分解算法中。估计混合矩阵可以先确定

3、各个源信号混合的比例，并能减少分离结果的随机性，使得分离算法的效果更佳。最后与常见的稀疏成分分析法进行对比，根据仿真结果本论文提出的方法分离效果更佳。关键字：欠定盲信号分离；非负矩阵分解；平行因子模型；非负张量分解；混合矩阵估计ABSTRACTBlindsignalsseparation(BSS)istheprocessofseparatingtheoriginalsignals仔omtheirmixtureswithoutanyknowledgeaboutthemixingsystemorthesignals．Mixedaudiosigllalsseparationistheor

4、iginalintentionofblindsignalsseparation，andalsoaresearchemphasisanddimcultyofthesignalprocessingfield．Inrecentyears，s印arationofthemusicsigIlalreceiVed伊eatattention，becauseofitsimponantapplicationsintechnologiesaboutmelodyextraction，musicinfomationretrieVal，andmusiccoding．Linearinstantaneousmix

5、edmultichannelmusicsignalsblindseparationistheresearchcontentofthisthesis．NonnegatiVetensorfactorization(NTF)algorithmbasedontheparallelfactorstructureisproposed．ThreemeansofnorulegatiVematrixf．actorization(NMF)arein仃oducedsimply；andtheprincipleofNMFisanalyzed．BecauseoftheadVantagesofNMF，theNM

6、Fideasare印pliedtotensorfactorization．Themultichannelmusicsignalsmodelistransf．erredintoparallelfactorstrIlcture，andthenderiVesthemultiplicatiVeupdatemlesoftheNTF，whichaccomplishesthesignalsblindseparation．Inordertosimpli矽theseparationprocessandimproVetheefrectofseparation，thecluster-NTFalgorit

7、hmthatuseslabelmatrixisbroughtup，whichallowsclusteringofthecomponentswithinthedecomposition，asopposedtoafterdecomposition．Funhemore，sparsit)，ofaudiosignalsinthetime仔equencydomainisusedtomakeimproVementoncluster-NTFalgorithm．Asimplewayis