发布时间 : 星期四 文章信息综合课设 - 语音信号的盲分离更新完毕开始阅读
武汉理工大学《信息处理课综合训练与设计群》课程设计
（1）排列顺序的不确定性，无法了解所抽取的信号应是源信号S(t)为哪一个分量. （2）信号幅度的不确定性，即无法知道源信号的真实幅值。
4.2.2 主分量分析算法分离
当多变量观测数据是由高斯分布的源信号构成时，PCA方法也可以用来实现信号的分离，同样用FAST-ICA快速主成分分析算法实现混合信号的分离，我们可以借鉴下面的波形，原始的语言信号级PCA算法分离的语音信号图如图4-3示：
原始语音信号gequ110-1012344PCA分离语音信号110-1012344x 10原始语音信号gequ20.50-0.50123x 10PCA分离语音信号20.2044-0.2012344x 10原始语音信号gequ30.50-0.50123x 10x 10PCA分离语音信号30.05044-0.050123x 1044
图4-3 原始的语言信号及PCA算法分离的语音号
同样，将原始3路语音信号与分离出来的语音信号作对比，发现分离出来的语音信号和原来的信号的形状基本一样，不同的是顺序不一样，信号的幅度也减少了，这恰好说明了盲分离算法中允许存在两个方面的不确定性：排列顺序的不确定性和信号幅度的不确定性，
还有一点可以看到，gequ1和gequ3的语音信号恢复的效果更好，gequ2的恢复波形有些失真，但总体上达到分离效果。
22
武汉理工大学《信息处理课综合训练与设计群》课程设计
4.2.3 分离语音频谱分析
在 MATLAB中画出gequ1.wav、gequ2.wav、gequ3.wav这三段语音信号经过混合，并对FAST-ICA快速主成分分析算法成功实现混合信号的分离的信号进行频域分析，其时域波形和频谱如图4-4所示，原始信号的时域和频域图如图4-5所示，具体程序见附录1。
对比可以发现，不管是从时域波形来看还是频谱来看，FAST-ICA算法分离的效果很好，PCA算法分离频域分析和FAST-ICA算法分离类似。
200-200123fastICA分离语音信号1fastICA分离语音信号1的FFT频谱10
4
4500200400600x 10fastICA分离语音信号2100
fastICA分离语音信号2的FFT频谱2010
-10012344
00200400600x 10fastICA分离语音信号3100-100123x 10
4fastICA分离语音信号3的FFT频谱2010002004006004
图4-4 FAST-ICA分离信号时域和频域图
23
武汉理工大学《信息处理课综合训练与设计群》课程设计
gequ1原始语音信号10-10123x 10gequ2原始语音信号0.50-0.50123x 10gequ3原始语音信号0.50-0.50123x 10 44gequ1原始语音信号FFT频谱0.40.20050010001500 4 10.50gequ2原始语音信号FFT频谱0500100015004 4
10.50gequ3原始语音信号FFT频谱0500100015004
图4-5 原始信号的时域和频域图
PCA分离语音信号10.50
PCA分离语音信号1的FFT频谱10.5-0.501234400200400600
x 10PCA分离语音信号20.20-0.20123PCA分离语音信号2的FFT频谱0.40.2400200400600x 10PCA分离语音信号30.10-0.10123x 104PCA分离语音信号3的FFT频谱0.40.24002004006004图4-6 PCA分离信号时域和频域图
24
武汉理工大学《信息处理课综合训练与设计群》课程设计
4.2.4 FAST-ICA和PCA分离比较
以上对3路语音信号gequ1.wav、gequ2.wav、gequ3.wav，选取混合矩阵对语音信号进行混合，并从混合信号中分离出原语音信号，分别使用了FAST-ICA和PCA分离算法，最后画出各分离信号的时域波形和频谱图和原来的信号进行比较。此外还运用PCA算法进行了混合语音信号的分离实现，下面对两种算法进行比较。
图4-6是原始信号，混合信号，两种不同算法分离信号的集合，由此一起来比较两种算法的分离效果。
原始语音信号gequ1原始语音信号gequ2原始语音信号gequ310.50.5 000-1-0.5-0.502404024 2x 10混合语音信号10.50-0.54
x 10 混合语音信号20.50-0.54x 10混合语音信号30.20-0.24 00244 2440244x 10x 10x 10 fastICA分离语音信号1fastICA分离语音信号2fastICA分离语音信号3102010000 -10-20-10024024024x 10x 10x 10PCA分离语音信号1PCA分离语音信号2PCA分离语音信号3 0.50.20.1000 -0.5-0.2-0.1024024024x 1044
44
x 104x 104图4-6 两种算法比较波形图
分析：由上面的分离效果可以看出两种算法都能够对混合信号进行分离，发现分离出来的语音信号和原来的信号的形状大体一样，顺序和原来的都不一样，信号的幅度有的增大了，有的减少了。这些情况都比较符合盲分离算法中允许存在的排列顺序的不确定性和信号幅度的不确定性值这两种不确定性。从波形分离效果来说，在这次语音盲分离中FAST-ICA算法比PCA分离算法分离效果好。
25