一种基于语音信号分离的独立向量分析算法

本发明涉及语音信号处理，具体而言，涉及一种基于语音信号分离的独立向量分析算法。

背景技术：

1、盲源分离bbs指观察不同源的混合信号，并利用这些混合信号恢复原始信号，且源信号与混合信号的先验信息最小。它在语音信号、生物医学信号以及数字通信信号上有着突出的应用。iva技术是ica技术的衍生，解决了ica分离信号的排列模糊性。

2、传统的iva算法通过梯度与快速定点算法更新分层矩阵，基于梯度更新的方法对步长等参数进行调整使收敛稳定，需要权衡收敛速度与稳定性；而基于辅助函数的auxiva算法可以实现快速稳定的盲源分离，其依赖于mm技术，且该算法没有调谐参数，并在理论上保证了目标函数的单调，在矩阵更新中更稳定更快，是目前运用最广泛的方法。然而，该方法一次只能更新混合矩阵的一行，收敛速度依然较慢，且不够稳定，计算复杂度较大，导致算法分离语音信号的性能较低，在执行更新时只能在下一次的迭代中对更新进行矫正。

3、基于此，本申请提出一种基于语音信号分离的独立向量分析算法来解决上述问题。

技术实现思路

1、本发明的目的在于提供一种基于语音信号分离的独立向量分析算法，其能够提高算法分离语音信号的性能，使用更少的迭代次数实现快速的语音信号分离。

2、本发明的技术方案为：

3、第一方面，本申请提供一种基于语音信号分离的独立向量分析算法，其包括以下步骤：

4、s1、获取cnu arctic语音信号库中的语音信号进行信号预处理以得到语音信号数据集；

5、s2、构建信号分离场景，并将语音信号数据集输入信号分离场景中以得到卷积混合信号；

6、s3、将卷积混合信号进行短时傅里叶变换到频域以得到混合矩阵；

7、s4、基于混合矩阵构建分离模型，并输出解混矩阵；

8、s5、基于解混矩阵观测解混后的混合语音信号的频谱图以得到分离信号；

9、s6、对分离信号进行测量和分析以得到语音信号分离的分析结果。

10、进一步地，步骤s1包括：

11、获取cnu arctic语音信号库中的语音信号；

12、将获取得到的语音信号进行信号采样，并进行信号连接使得信号长度能超过预先设定的阈值以得到语音信号源、干扰源和噪声源；

13、对得到的语音信号源、干扰源和噪声源进行编号和存储以得到语音信号数据集。

14、进一步地，步骤s4包括：

15、基于混合矩阵构建分离模型；

16、利用分离模型更新混合矩阵中的每一个向量，并在每一次更新迭代的过程中同时更新混合矩阵的行向量与列向量；

17、基于每次更新后的行向量和列向量构建代价函数；

18、判断代价函数是否到达最小值，若否，则继续迭代，若是，则停止更新并输出解混矩阵。

19、进一步地，上述分离模型的表达公式为：

20、

21、其中，xm表示m个观测的第m个观测值，t表示时间，amn表示源信号n与麦克风m的时域传递函数，n表示源信号，m表示麦克风的数量，sn为第n个源信号，m为观测信号数，n为源信号数量，bm表示不相关的麦克风噪声，l表示与时间相关的变量。

22、进一步地，上述利用分离模型更新混合矩阵中的每一个向量的表达式为：

23、

24、其中，w表示混合矩阵，表示来自前一次迭代的分离模型的估计，th(r,c)表示混合矩阵的每一次向量更新值，h表示第h个向量，r表示混合矩阵中的行向量，c表示混合矩阵中的列向量。

25、进一步地，上述更新混合矩阵的行向量与列向量的定义式为：

26、

27、

28、其中，th(r,c)表示混合矩阵的每一次向量更新值，i表示单位矩阵，h、f、n均表示个数，e表示单位向量，r表示混合矩阵中的行向量，c表示混合矩阵中的列向量，表示矩阵包含除了第f个与第n个向量的所有的正则基向量，(·)h表示(·)的共轭转置，(·)*表示(·)的复共轭，(·)t表示(·)的转置。

29、进一步地，上述基于每次更新后的行向量和列向量构建代价函数的计算公式推导过程为：

30、

31、

32、

33、

34、

35、

36、

37、

38、其中，i、j、h、f、m与n均表示个数，e表示单位向量，vn表示第n个加权协方差矩阵，an表示第i个加权协方差矩阵vi进行相应变换后的第n个矩阵变量，af表示第i个加权协方差矩阵vi进行相应变换后的第f个矩阵变量，gn表示第n个加权协方差矩阵vn进行相应变换后的第n个矩阵变量，gf表示第n个加权协方差矩阵vn进行相应变换后的第f个矩阵变量，dn表示第i个加权协方差矩阵vi进行相应变换得到的第n个向量变量，df表示第i个加权协方差矩阵vi进行相应变换得到的第f个向量变量，pn表示第n个加权协方差矩阵vn进行相应变换得到的第n个向量变量，pf表示第n个加权协方差矩阵vn进行相应变换得到的第f个向量变量，zn表示第n个加权协方差矩阵vn进行相应变换得到的第n个变量值，zf表示第n个加权协方差矩阵vn进行相应变换得到的第f个变量值，表示正则基向量，表示行向量rn的优化后求解方程，表示行向量rf的优化后求解方程，l表示与时间相关的变量，th(r，c)表示混合矩阵的每一次向量更新值，r表示混合矩阵中的行向量，c表示混合矩阵中的列向量，cn与cf表示最优列向量，rn与rf表示最优行向量，(·)h表示(·)的共轭转置，(·)*表示(·)的复共轭，(·)t表示(·)的转置，det(·)表示(·)的行列式，(·)▲表示(·)的优化，表示(·)的估计，(·)-表示(·)的逆。

39、进一步地，步骤s6中，上述对分离信号进行测量包括测量分离信号的信号干扰比值、信号失真比值与代价函数值。

40、相对于现有技术，本发明至少具有如下优点或有益效果：

41、(1)本发明提供的一种基于语音信号分离的独立向量分析算法，通过使用扩展的ipa方法联合执行ip2与iss2进行更新，在每一次迭代中更新分离矩阵的两行与两列，显著提高了分离效率和对分离矩阵的更新速度；

42、(2)本发明优化了与ipa相同的代价函数，能够同时保持与ipa相同的时间复杂度，具有更快的收敛速度与更好的分离语音信号的性能，为实际的各种场景中的语音信号分离提供基础。

技术特征：

1.一种基于语音信号分离的独立向量分析算法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种基于语音信号分离的独立向量分析算法，其特征在于，步骤s1包括：

3.如权利要求1所述的一种基于语音信号分离的独立向量分析算法，其特征在于，步骤s4包括：

4.如权利要求3所述的一种基于语音信号分离的独立向量分析算法，其特征在于，所述分离模型的表达公式为：

5.如权利要求3所述的一种基于语音信号分离的独立向量分析算法，其特征在于，所述利用分离模型更新混合矩阵中的每一个向量的表达式为：

6.如权利要求3所述的一种基于语音信号分离的独立向量分析算法，其特征在于，所述更新混合矩阵的行向量与列向量的定义式为：

7.如权利要求3所述的一种基于语音信号分离的独立向量分析算法，其特征在于，所述基于每次更新后的行向量和列向量构建代价函数的计算公式推导过程为：

8.如权利要求1所述的一种基于语音信号分离的独立向量分析算法，其特征在于，步骤s6中，所述对分离信号进行测量包括测量分离信号的信号干扰比值、信号失真比值与代价函数值。

技术总结
本发明提出了一种基于语音信号分离的独立向量分析算法，涉及语音信号处理技术领域，包括：获取CNU Arctic语音信号库中的语音信号进行信号预处理得到语音信号数据集；构建信号分离场景，并将语音信号数据集输入信号分离场景中得到卷积混合信号；将卷积混合信号进行短时傅里叶变换到频域得到混合矩阵；基于混合矩阵构建分离模型并输出解混矩阵；基于解混矩阵观测解混后的混合语音信号的频谱图得到分离信号；对分离信号进行测量和分析得到语音信号分离的分析结果；本发明通过使用扩展的IPA方法联合执行IP2与ISS2进行更新，在每一次迭代中更新分离矩阵的两行与两列，显著提高了分离效率和对分离矩阵的更新速度。

技术研发人员：骆忠强,郭瑞明,蓝婕,漆琪
受保护的技术使用者：四川轻化工大学
技术研发日：
技术公布日：2024/1/15