一种新的盲声源分离方法及应用

《一种新的盲声源分离方法及应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第31卷第1期四川兵工学报2010年1月【基础研究】一种新的盲声源分离方法及应用米张西宁，廖与禾，温广瑞(西安交通大学机械制造系统国家重点实验室，西安710049)摘要：介绍了盲源分离的原理及几种常用的基于独立分量分析的盲源分离方法．瞬时混合声信号可看作是对声源信号的线性变换，因此通过线性反变换能够实现对声源信号的估计．基于这一思路，提出了一种适用于瞬时混合信号的盲源分离新方法．该方法采用了线性变换原理，通过对信号高斯性的检测来求解最佳变换角度，并依此构造分离矩阵实现源信号的分离．给出了该方法的实现步骤，还将该方法用于混合语音声音信号的

2、分离，以及实际电机和轴承混合声音信号的分离．应用结果表明，提出的方法有良好的声源信号分离效果．关键词：盲源分离；独立分量分析；线性变换中图分类号：TH206文献标识码：A文章编号：1006—0707(2010)01—0136—04声音测试是一种简单、方便的监测方法．然而，由传感路发展来的ICA算法，更为深入的研究表明，这些思路和器拾取的信号往往是由不同声源信号产生的混合信号．从算法之间大多存在着本质上的相似性甚至一致性。．?昆合信号中分离不同的声源信号，并对其进行分析和处本文中沿用了基本ICA算法中以峭度值作为信号高理，将在很大程度上提

3、高信号中的信息量，提高状态监测斯性检测准则，并从这一基础出发提出了一种新的盲源分和故障诊断的质量．由于事先未知声源信号以及声信号混离算法．由于该算法通过搜索和逼近计算线性变换角度的合方式，单单根据混合声信号来求解声源信号显得非常困精确值，然后直接构造分离矩阵，通过线性变换实现声源难．然而由于各个声源之间是独立的，根据声源独立性这信号的分离．因此该方法计算过程直观、简单，适用于瞬时一条件，从混合的声音信号中估计声源信号的过程，被称混合声信号的分离．实际中许多混合声信号均可近似看成为盲源分离(blindsourc~separation，BS

4、S)．独立分量分析是瞬时混合的，因此具有广泛的应用范围．(independentcomponentanalysis，ICA)是一种实现盲源分离的统计信号处理方法．独立分量分析是针对相互统计独立1盲声源信号分离原理的信号源经线性组合产生的混合信号，实现混合信号中各独立信号分量的分离．目前ICA技1．1盲声源分离问题描述术已经发展成为解决上述问题的一种重要方法J．ICA问题可简单描述为：假定共有Ⅳ个传感器拾取到Comon⋯于1994年比较系统地阐述了ICA的概念，并基于Ⅳ个观测信号，i=1，2，⋯，Ⅳ，每个观测信号是由个独累积量(高阶统计量

5、)直接构造了代价函数．Bell和Se—立源信号，i=1，2，⋯，的线性混合，即jnowski于1995年从信息论的角度重新阐述了盲信源分X=A·S离问题，并进一步提出神经网络输出信号差熵的最大化就其中，X=[，：，⋯，r和S=[s。，S2，⋯，Sr是混合信意味着输入与输出之间的互信息的最大化，同时他们提出号矢量和源信号矢量，是N×M阶的未知混合矩阵．在信了随机梯度下降的学习算法来实现差熵的最大化，通常被号源S和混合矩阵A都是未知的情况下，希望能找到一个称为最大熵ICA算法(Infomax—ICA)．此后，T．W．Lee_3分离矩阵，从混

6、合信号中分离出相互独立的源信号，即等于1997年扩展了Bell和Sejnowski的工作，发展成为扩S=W·X，并希望S能较好地逼近真实源信号S．ICA方法展ICA算法．该算法同时适用于超高斯和亚高斯信号的情能够较好地解决这一问题的关键在于建立一个能够度量况．目前应用比较成功的主要是这一类基于神经网络自适分离结果独立性的判决准则和相应的分离算法．应学习的ICA算法．另外也有从最大似然估计(MLE)、投ICA问题的出发点是源信号的独立性．对于给定分离影追赶法(exploratoryprojectionpursuit)、非线性PCA等思矩阵

7、时对应的输出信号S，如果S中各分量不独立，那么{l}收稿日期：2009—11—04作者简介：张西宁(1965一)，男，陕西人，博士，副研究员，主要从事机械状态监测与诊断方面的研究张西宁，等：一种新的盲声源分离方法及应用137根据中心极限定理，S中各分量与源信号S中的各分量相2)以峭度值作为信号高斯性检测准则，建立寻优的目比更偏向高斯信号．当给定分离矩阵对应的输出信号S标函数；中各分量相互独立时，S中各分量的高斯性最小．显然，这3)通过搜索和逼近求解最合适的变换角度；时S就是源信号S．因此，源信号求解过程中分离矩阵的4)根据3)中得到的最

8、优变换角度，构造分离矩阵；构造准则可转化为输出信号中各分量的高斯性大小．文献5)求解独立的声源信号．[6]中给出了几种信号高斯性大小的衡量准则．其中，信号的峭度是衡量信号高斯性大小的最简单标准．本文中选用2