导读:本文包含了语音信号盲分离论文开题报告文献综述及选题提纲参考文献，主要关键词:被引频次,信号盲分离,盲分离技术,核心专利
语音信号盲分离论文文献综述
可杨,董小东,颜博[1]（2019）在《混合语音信号盲分离专利技术综述》一文中研究指出文章统计分析了混合语音信号盲分离领域的专利申请,并对专利技术进行分解,统计了国内外历年申请量、技术产出国家/地区分布、申请人分布,并根据被引频次数列举核心专利申请。分析表明语音盲分离技术在国内还处于方兴未艾的研究阶段。基于瞬时线性混合模型的解决方案,衍生出了各类应用场合和侧重点不同的算法。(本文来源于《中国科技信息》期刊2019年05期）
黄珊,杜庆治[2]（2018）在《带噪混迭语音信号盲分离算法研究》一文中研究指出盲源分离也称盲信号分离,是指在源信号和传递信道的参数均未知的情况下,仅根据输入源信号的统计特性,通过观测信号恢复各个源信号的过程。语音信号的盲分离技术在计算机听觉、语音识别、语音增强等领域具有重大的研究意义。现有的有关语音信号盲分离研究基本不考虑噪声的影响,然而在现实生活中,接收到的语音信号不可避免地混有各种噪声。因此,对于带噪声混迭语音的盲分离方法研究具有十分重要的现实意义。针对带噪声混迭语音信号,提出一种基于稀疏编码和EFICA的分离方法。首先用稀疏编码去噪方法消除带噪混迭语音信号中的噪声,然后将经过去噪处理后的观测信号用EFICA方法进行盲分离。Matlab仿真实验结果表明,该算法对带噪声混迭的语音进行盲分离效果良好。(本文来源于《软件导刊》期刊2018年01期）
刘奇[3]（2017）在《基于DSP的双路语音信号盲分离》一文中研究指出盲源分离是根据观测所得到的几个相互独立的源信号的混合数据向量来恢复源信号。通常,观测所得到的数据向量为一组传感器的输出,并且每个传感器所接收得到的信号属于源信号的不同组合,称之为混合信号。所谓的“盲”包含有两个不同的含义:第一点是指源信号不可以被观测;第二点是指源信号的混合方式是未知晓的。盲源分离在声纳技术、雷达、语音、数字图像、生物医学、无线通信、地震观测等领域有着非常巨大的开发潜力。在盲源分离这个领域,其所涉及的源信号是多种多样的,本文只针对语言信号进行研究处理。目前有多种算法用来解决盲源分离问题。Fast-ICA算法是一种高效的盲源分离算法,它在近几十年逐渐发展成熟,其设计原理是从传感器接收到的混合信号中估计出源信号,使所估计出的源信号之间尽可能相互独立,从而完成对混合信号的分离工作。在本文中,首先将Fast-ICA算法确定为系统的分离算法。随后对Fast-ICA算法进行学习与研究,接着对该分离算法进行理论分析,最后利用MATLAB软件对该算法进行模拟仿真,并得到了理想的分离效果,证明了该算法是有效的。在分离算法的可行性被证明后,本文开始对分离系统的硬件部分进行了解与学习,随后选定SEED-DEC6437开发板为分离系统的主体硬件,系统的DSP芯片为TI公司生产的TMS320DM6437,音频处理芯片为TLV320AIC23B。基于本文设计的初衷是用于处理两路语音信号的分离,所以系统需要两个传感器接收信号以及两个扬声器输出信号,利用DSP/BIOS中的流模块来控制数据的输入与输出。混合语音信号经由AIC23B音频芯片以及DSP芯片的一系列协同处理后,完成了混合语音的分离。最后通过对分离结果的观测分析,发现混合语音信号得到了分离,分离结果达到了实验设计的预期目标。(本文来源于《南昌大学》期刊2017-05-01）
王丁一[4]（2017）在《语音信号盲分离算法研究》一文中研究指出盲源分离(Blind Source Separation,BSS)作为当代的信号处理领域热点研究课题,被广泛地应用于雷达信号处理,医学信号处理,图像增强等领域。语音信号是信息传递的主要承载工具,利用盲源分离技术实现混合语音信号的分离具有重要的研究意义。本文主要针对瞬时混合与卷积混合两种情况下的混合语音信号的盲分离问题展开研究,主要研究工作如下:在论述了盲源分离基本理论的基础上,通过大量实验验证了基于负熵最大化的独立分量分析算法(NM-ICA)、基于互信息最小化的独立分量分析算法(MMI-ICA)和基于极大似然的独立分量分析算法(ML-ICA)的性能后发现,在相似的分离性能下,NM-ICA算法具有更快的收敛速度。研究了基于独立量分析的THINICA算法、EFICA算法,以及基于联合对角化的WASOBI算法。将算法应用于仿真数据及人工混合语音信号的盲分离后发现,THINICA算法的分离性能优于EFICA算法和WASOBI算法。在分析了EFICA算法与WASOBI算法对源信号统计特性假设的基础上,提出了一种基于EFICA与WASOBI算法联合的独立分量分析算法(EW-ICA算法)。利用仿真数据及人工混合语音信号进行分离测试发现,所提出的EW-ICA算法的分离性能优于EFICA算法、WASOBI算法和THINICA算法。通过大量的仿真实验明确了源信号的非高斯性与混合信号中噪声强度对EW-ICA算法和THINICA算法分离性能的影响。实验结果表明源信号的非高斯性越强、混合信号中噪声强度越小,算法最终分离效果就越好。针对卷积混合盲源分离问题,研究了基于频域的TFBSS解卷积盲分离算法、基于独立向量分析的FASTIVA算法和基于观测空间分量分解的时域音频信号盲分离法(TCDBSS)。分别用以实现真实环境下采集的含有噪声与不含噪声的实录混合语音盲分离,实验结果表明,与其他两个算法相比,TCDBSS算法具有更好的分离性能,且算法收敛速度更快,抗噪性能更好。(本文来源于《长安大学》期刊2017-04-11）
岳建杰,赵旦峰,张成[5]（2015）在《一种改进的自然梯度语音信号盲分离算法》一文中研究指出自然梯度算法有较快的收敛速度、良好的分离性能,在盲信号分离中占有重要地位。基于自然梯度的盲源分离算法一般分为固定步长和变步长的自然梯度算法,固定步长的自然梯度算法存在分离速度与稳定性之间的矛盾,即步长越长时分离速度快,但是稳态误差又得不到保障;步长太小分离速度又达不到要求。为了改善分离速度与稳定性之间的矛盾,提出了一种变步长的方法来,并用其改进了固定步长的标准自然梯度算法,成功地用于混合语音信号的分离,该方法取得比标准自然梯度算法更好的分离效果,具有更快的收敛速度。(本文来源于《应用科技》期刊2015年03期）
张健,李白燕[6]（2015）在《一种有效的语音信号盲分离方法》一文中研究指出利用语音信号的短时平稳特性,本文提出了一种WVA分布与联合对角化的盲分离方法,该方法采用新的联合差分相关矩阵白化算法去除有色噪声影响,估计出源语音信号,实现对混迭信号的盲分离。通过仿真实验,结果表明,本算法具有分离效果好,能有效的将混迭的盲语音信号分离。(本文来源于《电子设计工程》期刊2015年05期）
曹康[7]（2014）在《基于视听觉信息融合的欠定语音混合信号盲分离》一文中研究指出盲源分离是指源信号及其混合方式未知的情况下，仅仅根据观测到的混合信号来恢复源信号的过程。盲源分离技术在无线电通信、雷达与声纳信号处理、医学图像分析、图像信号处理以及语音识别等领域具有广泛和潜在的应用价值。在实际应用中，由于条件限制，源信号的个数往往大于麦克风的个数，也就是源信号个数大于观测信号个数，此时盲源分离为欠定混合信号的盲源分离问题。对于欠定混合信号的盲分离，由于其混合矩阵的不可逆性，使得常用的盲源分离技术，如独立分量分析，不能直接用于欠定盲源分离。而且，现有的盲源分离算法大多是采用单模式的盲源分离方法，也就是只利用了听觉信息来估计语音信号。而近年来研究表明，人类对语音信号的感知通常是双模式的，也就是利用人类的视觉信息来辅助对语音信号的感知，提高人类对语音信号的感知能力。为了提高机器听觉的感知能力，本文主要研究双模式条件下的欠定混合信号的盲源分离问题，也就是利用机器视觉信息来辅助提高机器对语音信号的感知能力。本文的主要工作为：1、针对无回响欠定混合模型，提出了一种基于DUET (Degenerate Un-mixingEstimation Technique)的高斯势函数算法来恢复源信号。该算法利用语音信号在时频域的稀疏特性，利用两路观测信号在时频域的比值来估计两路观测信号之间的延时和衰减，然后采用高斯势函数法来估计混合参数；最后利用估计出的混合参数来估计各个源信号所对应的时频掩码从而得到源信号的估计。2、针对混合参数的初值选取问题，提出了一种基于视听觉信息融合的势函数法来实现欠定混合信号的盲分离。该算法首先利用视觉信息估计出声源的位置，利用位置信息再计算出到达两个声音传感器的时间差和声级差，利用时间差和声级差来设置混合参数的初始值；然后采用高斯势函数法来估计混合参数；最后利用二进制时频掩码方法来重构源信号。该算法与一般的随机赋初值的聚类算法相比提高了混合参数的精度。(本文来源于《南昌大学》期刊2014-05-24）
隗雪梅[8]（2014）在《基于语音稀疏性的欠定信号盲分离研究》一文中研究指出在实际场景中,我们同他人或者机器之间的交流总会不可避免地受到其他说话人以及周围噪声的干扰,这使得我们同外界的交流更加困难。为了从被污染的信号中恢复我们想要的信号,盲分离技术被学者们提出来解决这个问题,这里“盲”的意思是混合过程以及源信号信息都是不可获知的。语音盲分离作为盲分离的一种,在很多实际场景中起着重要的作用,其中包括稳健自动语音识别的前端处理,场景分析,视频会议,助听器以及监控。按照混合过程来分,语音盲分离可以分为不考虑回声的模型即线性瞬时混合模型和考虑回声的模型即卷积模型。按照源信号个数和混合信号个数来分,可以分为超定即混合信号个数大于源信号个数、适定即两者个数相等和欠定。超定情况比欠定情况获得的信息更多,因此分离效果更好。但是实际中由于环境和设备的限制,源信号个数很可能大于混合信号个数,因此对于欠定盲分离研究具有重要的意义。本文主要是针对欠定情况下的盲分离从两个模型即欠定线性瞬时混合模型和欠定卷积模型分别讨论和解决：1.针对欠定瞬时混合模型,我们提出了一个基于压缩感知(Compressed Sensing, CS)的无监督分离方法,这个想法的创新之处在于将字典自学习策略和CS恢复融合在一起。所提算法主要包括两步：第一步我们利用一个稳健的方法得到混合矩阵的比较精准的估计；第二步为字典自学习过程,即用分离的信号去训练字典达到更新字典的目的,然后用更新的字典去估计新的分离信号,字典更新和源信号估计两个过程交替进行直至收敛。通过自适应地更新字典,最终得到的字典接近于源信号的最优稀疏基,同时分离性能也在不断提升。本文所提的字典自学习方法没有用到源信号的先验信息,因此它是一个无监督的方法,具有着更广泛的应用。2.针对欠定卷积盲分离模型,我们研究了一个将分频带处理与基于去混响的后处理相结合的分离策略,主要包含叁个步骤,即：第一步在子频带内基于每个时频点只有一个信号作用的假设通过聚类对混合矩阵进行估计,然后对估计的混合矩阵进行排列；第二步是假设源信号服从广义拉普拉斯分布,在最大后验概率框架下重建源信号；最后为了进一步提高分离语音的可懂度,我们增加一个基于单通道去混响的后处理来削弱源信号的自身混响成分以及其他干扰成分,同时提高了分离性能。(本文来源于《中国科学技术大学》期刊2014-05-01）
杨岳飞[9]（2014）在《基于小波变换与独立分量分析的带噪语音信号盲分离》一文中研究指出盲源分离技术作为语音信号处理的热点,尤其是在含有噪声的情况下分离出各自源信号。要在有噪声干扰的情况下分离出源信号,一般的盲分离方法并不能完全胜任。滤波作为传统的去噪方法,只能滤掉一部分噪声,而且为了达到更佳的去噪效果需要牺牲一部分信号。相比小波阈值去噪方法,小波模极大值去噪方法的计算量太大,虽然去噪效果较好,但是综合考虑不值得采用。但是小波阈值去噪也存在需要改进的地方,在阈值点硬阈值函数不连续,软阈值去噪方法虽然克服不连续的问题,但是重构系数与真实系数之差不会随着函数值的增加而降低。本文提出了一种基于阈值去噪的改进算法,基于软阈值函数的改进函数式,实验数据发现改进算法对去噪有一些帮助。论文根据盲信号处理的基本条件,结合小波去噪和独立分量分析盲分析的各自优势,对带噪声的语音信号盲分离前进行预去噪处理,使噪声对盲分离算法的影响降低到最小。该方法即为小波与独立分量分析盲分离算法。首先,在介绍小波去噪方法之前,着重阐述了小波变换从傅里叶变换发展而来的历史与去噪原理,对阈值选择和量化规则如何影响去噪效果进行分析,分析现在常用的两种阈值函数(硬阈值、软阈值),提出了一种新阈值量化函数,改进函数在避免了上述两种函数的缺点,经过实验分析,改进方法对比上述两种方法去噪效果更佳。论文还对FastICA算法进行了分析,该算法利用牛顿迭代法寻找最优解,但是基于牛顿迭代的寻优方法决定了该方法也继承了牛顿迭代法的缺点,算法的收敛性取决于第一个迭代值的选择,如果初始值的选择不当可能导致盲分离失败。有人提出了改进算法,对牛顿迭代法加入一维搜索,使牛顿迭代按照一维搜索方向进行迭代,确保了算法的稳定性,但是也降低了收敛速度。论文提出了一种改进算法,对牛顿迭代法进行改进使之成为高阶收敛,再引入一维搜索确保寻优方向,使算法最终收敛。该改进方法既克服了牛顿迭代的缺点,又削弱了阻尼牛顿法带来的不利影响。(本文来源于《湖南师范大学》期刊2014-05-01）
王杏[10]（2014）在《带噪混迭语音信号盲分离方法研究》一文中研究指出语音是人类传播信息和交流的重要媒介,人们可以在多个讲话者的环境中区分和获取自己感兴趣的语音信号,这是人体内部语音理解机理特有的一种能力。如何通过机器从混合的语音信号中分离出各个源信号,成为语音信号处理领域的一个重要问题。盲源分离(Blind Source Separation,BSS)是混迭语音分离的主要方法之一。盲源分离是指在源信号及其混合方式均未知的情况下,仅根据观测到的若干混合信号恢复源信号的过程。目前的盲源分离基本上都是在无噪环境中进行的,但是实际环境中,语音信号不可避免的会受到各种噪声的影响,因此研究带噪混迭语音分离方法具有重要的理论价值和实际意义。本文对带噪混迭语音信号进行研究,结合盲源分离技术,提出了一种有效的解决带噪混迭语音盲分离的方法。首先消除带噪混迭语音信号中的噪声,提高信号的信噪比,然后再将去噪处理后混迭语音信号进行多个说话人的语音分离；主要在去噪部分和语音分离部分对算法进行改进,论文的主要工作包括：第一,在带噪混迭语音信号的噪声消除方面,提出了一种基于改进噪声估计和幅度补偿的改进的谱减法,该方法在有效去除噪声的同时能极大限度的避免源信号受到损伤,为后续进行的混迭语音信号分离工作奠定基础,可以在很大程度上避免由于源信号受到损伤而影响分离效果。第二,在多个说话人的语音分离方面,提出了结合牛顿下降法和优化快速独立分量分析算法(M-FastICA)的改进算法,解决基于负熵的FastICA算法对随机初始分离矩阵敏感并存在局部最大值的问题,算法在保证分离效果的同时减小了对初始值的敏感度、降低了算法的计算迭代次数；同时根据语音信号的分布特性优化选取分离算法中的非线性函数,以提高算法的精度。最后,可以对分离信号进行再消噪处理,从而进一步提升分离语音信号的质量。仿真实验表明,论文所提算法具有很好的分离效果。从相似系数矩阵和最小均方误差两个指标来看,论文所提算法与原始的FastICA算法相比有着更加出色的分离性能,算法迭代次数也下降了60%,降低了算法的复杂度。(本文来源于《北京交通大学》期刊2014-03-01）
语音信号盲分离论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
盲源分离也称盲信号分离,是指在源信号和传递信道的参数均未知的情况下,仅根据输入源信号的统计特性,通过观测信号恢复各个源信号的过程。语音信号的盲分离技术在计算机听觉、语音识别、语音增强等领域具有重大的研究意义。现有的有关语音信号盲分离研究基本不考虑噪声的影响,然而在现实生活中,接收到的语音信号不可避免地混有各种噪声。因此,对于带噪声混迭语音的盲分离方法研究具有十分重要的现实意义。针对带噪声混迭语音信号,提出一种基于稀疏编码和EFICA的分离方法。首先用稀疏编码去噪方法消除带噪混迭语音信号中的噪声,然后将经过去噪处理后的观测信号用EFICA方法进行盲分离。Matlab仿真实验结果表明,该算法对带噪声混迭的语音进行盲分离效果良好。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
语音信号盲分离论文参考文献
[1].可杨,董小东,颜博.混合语音信号盲分离专利技术综述[J].中国科技信息.2019
[2].黄珊,杜庆治.带噪混迭语音信号盲分离算法研究[J].软件导刊.2018
[3].刘奇.基于DSP的双路语音信号盲分离[D].南昌大学.2017
[4].王丁一.语音信号盲分离算法研究[D].长安大学.2017
[5].岳建杰,赵旦峰,张成.一种改进的自然梯度语音信号盲分离算法[J].应用科技.2015
[6].张健,李白燕.一种有效的语音信号盲分离方法[J].电子设计工程.2015
[7].曹康.基于视听觉信息融合的欠定语音混合信号盲分离[D].南昌大学.2014
[8].隗雪梅.基于语音稀疏性的欠定信号盲分离研究[D].中国科学技术大学.2014
[9].杨岳飞.基于小波变换与独立分量分析的带噪语音信号盲分离[D].湖南师范大学.2014
[10].王杏.带噪混迭语音信号盲分离方法研究[D].北京交通大学.2014