信息處理課群綜合訓(xùn)練與設(shè)計(jì)-語(yǔ)音信號(hào)的盲分離

題目:信息處理課群綜合訓(xùn)練與設(shè)計(jì)——語(yǔ)音信號(hào)的盲分離lab合矩陣生成若干混合信號(hào)。選取合適的盲信號(hào)分離算法(如獨(dú)立成分分析ICA等)進(jìn)行訓(xùn)練學(xué)習(xí)，求出分離矩陣和分離后的語(yǔ)音信要求完成的主要任務(wù):matlab后語(yǔ)音信號(hào)的時(shí)域和頻域波形圖(2)選擇合適的混合矩陣，得到混合信號(hào)，并做出其時(shí)域波形和頻譜圖(4)用求出的分離矩陣從混合信號(hào)中分離出原語(yǔ)音信號(hào)，并畫(huà)出各分離信號(hào)的時(shí)域波(5)對(duì)結(jié)果進(jìn)行對(duì)比分析。系主任(或責(zé)任教師)簽名： I 練與設(shè)計(jì)說(shuō)明書(shū)摘要是為是模仿人類(lèi)的語(yǔ)音分離能力，因此具有較大的應(yīng)用前景和現(xiàn)實(shí)意義。II 練與設(shè)計(jì)說(shuō)明書(shū)sedthmICA1 練與設(shè)計(jì)說(shuō)明書(shū)1緒論S2 練與設(shè)計(jì)說(shuō)明書(shū)語(yǔ)音信號(hào)方面非常有效。fixedpoint負(fù)峰度的源信號(hào)。最近，人們已經(jīng)開(kāi)始研究存在噪聲的混合和非線(xiàn)性混合信號(hào)的盲源分離問(wèn)3 練與設(shè)計(jì)說(shuō)明書(shū)對(duì)非線(xiàn)性靜態(tài)和動(dòng)態(tài)過(guò)程實(shí)現(xiàn)盲源分離。Tan和Wang提出了基于遺傳算法cAlgorithm的梯度算法相比，基于遺傳算法的盲源分離方法有著更快的收斂速度和穩(wěn)定性，4 練與設(shè)計(jì)說(shuō)明書(shū)2語(yǔ)音信號(hào)的分析語(yǔ)音信號(hào)的時(shí)域分析就是分析和提取語(yǔ)音信號(hào)的時(shí)域參數(shù)。進(jìn)行語(yǔ)音分析s5 練與設(shè)計(jì)說(shuō)明書(shū)進(jìn)行分析，相應(yīng)的頻譜稱(chēng)為“短時(shí)譜”。。的離散傅立葉變換算法，計(jì)算速度較慢。函數(shù)FFT的另一種調(diào)用格式為6 練與設(shè)計(jì)說(shuō)明書(shū)7 練與設(shè)計(jì)說(shuō)明書(shū)8 練與設(shè)計(jì)說(shuō)明書(shū)聲音的時(shí)域圖形9 練與設(shè)計(jì)說(shuō)明書(shū)%將混合矩陣重新排列并輸出 練與設(shè)計(jì)說(shuō)明書(shū)%將混合矩陣重新排列并輸出 練與設(shè)計(jì)說(shuō)明書(shū)%將混合矩陣重新排列并輸出 練與設(shè)計(jì)說(shuō)明書(shū) 練與設(shè)計(jì)說(shuō)明書(shū) 練與設(shè)計(jì)說(shuō)明書(shū)3盲分離的基本概念+分離系統(tǒng)Wssn1n1m3.2盲源分離的基本方法盲源分離包含了線(xiàn)性瞬時(shí)混合和卷積混合兩種盲源分離問(wèn)題。解決盲源分離 練與設(shè)計(jì)說(shuō)明書(shū)A斯、ICA差(1)最普遍的方法就是使用代價(jià)函數(shù)來(lái)衡量信號(hào)獨(dú)立性和非高斯性或者稀疏分離問(wèn)題的基段(間接或直接的)，這種方法對(duì)多于一個(gè)高斯分布的源信號(hào)不適(2)如果源信號(hào)具有時(shí)序結(jié)構(gòu)，則其有非零的時(shí)序相關(guān)數(shù)，從而可以降低對(duì) 練與設(shè)計(jì)說(shuō)明書(shū)一頻率A換，使得觀測(cè)信號(hào)在線(xiàn)性變換下各分量的統(tǒng)計(jì)獨(dú)立性最大化。這一過(guò)程稱(chēng)之為BSSw，使得全局矩陣G的各行及各列中只有一個(gè)非零元素(不妨稱(chēng)之為廣義對(duì)角矩通常用輸出信號(hào)的互信息、熵等作為統(tǒng)計(jì)獨(dú)立性的量度，如基于信息論的合信號(hào)的分離，還包括實(shí)際應(yīng)用中更重要的卷積混合信號(hào)的分離。3.3盲分離的目標(biāo)準(zhǔn)則 練與設(shè)計(jì)說(shuō)明書(shū)能的獨(dú)立。這種方法對(duì)多于一個(gè)高斯分布的源信號(hào)不適用(因?yàn)楦咚剐盘?hào)的線(xiàn)性始變量更多信息的前提下，導(dǎo)出一組零均值隨機(jī)變量相對(duì)少的不相關(guān)線(xiàn)性組合 (主分量)，并由此恢復(fù)出對(duì)源信號(hào)的估計(jì)。(3)二階非平穩(wěn)性：即采用非平穩(wěn)性和二階統(tǒng)計(jì)量。由于源信號(hào)隨時(shí)間有不能分離具有相同非平穩(wěn)特性的源信號(hào)。3.4盲分離的研究領(lǐng)域 練與設(shè)計(jì)說(shuō)明書(shū)時(shí)域盲分離算法解決盲解卷/盲均衡問(wèn)題，但頻域上的尺度與交互不確定性問(wèn)題信號(hào)本身的屬性有平穩(wěn)信號(hào)與非平穩(wěn)信號(hào)之分、窄帶信號(hào)與寬帶信號(hào)的差系，可分為適定盲分離、超定盲分離、適應(yīng)的在線(xiàn)處理方式是基于單次觀測(cè)樣本進(jìn)行盲分離系統(tǒng)的更新迭代，計(jì)算量低，適用于實(shí)時(shí)性要求較高的場(chǎng)合，如在線(xiàn)故障診斷等。 練與設(shè)計(jì)說(shuō)明書(shū)3.5盲分離的研究?jī)?nèi)容斯性、高階統(tǒng)計(jì)量、熵、互信息、概率密度函數(shù)(pdf)以及兩種pdf距離的Kullback-Leiblr度等函數(shù)進(jìn)行度量。支持向量機(jī)(SVM)回歸估計(jì)方法等，本文正是在這個(gè)理論的基礎(chǔ)上對(duì)原有算法提出了新的改進(jìn)，并取得而來(lái)良好的效果。 練與設(shè)計(jì)說(shuō)明書(shū)4.1數(shù)據(jù)的預(yù)處理1M1Nijij尋找一個(gè)線(xiàn)性變換，使X(t)投影到新的子空間后變成白化向量，即：0 0WUT)0X000 練與設(shè)計(jì)說(shuō)明書(shū)4.2FastICA算法ii種分布，隨機(jī)變量X較S更接近高斯分布。在分離過(guò)程中，可通過(guò)對(duì)分離結(jié)果i則表明已完成對(duì)各獨(dú)立分量的分離。YYggg于根據(jù)式(6)計(jì)算微分熵需要知道Y的概率密度分布函數(shù)，于是采用如下近似 練與設(shè)計(jì)說(shuō)明書(shū)Y12311000示式(8)左邊的函數(shù)，可得F的雅可比矩陣JF(W)如下： 為了簡(jiǎn)化矩陣的求逆，可以近似為(9)式的第一項(xiàng)。由于數(shù)據(jù)被球化， (4-10)234.3ICA分離的步驟=xE{x}R=E{H}~X~x~(^是對(duì)角陣)(可以證明Z是“白”的，及E{ZZH}=I)iiii1(5)W數(shù)據(jù)正交化1(6)如果不收斂(w在迭代后改變量較大)返回步驟4 練與設(shè)計(jì)說(shuō)明書(shū) 練與設(shè)計(jì)說(shuō)明書(shū) 練與設(shè)計(jì)說(shuō)明書(shū) 練與設(shè)計(jì)說(shuō)明書(shū)5小結(jié)通過(guò)學(xué)習(xí)和設(shè)計(jì)，使我更加清楚的明白的語(yǔ)音信號(hào)盲分離的具體過(guò)程及方法，使我對(duì)整個(gè)過(guò)程有了更加深刻的了解，同時(shí)也進(jìn)一步了解了MATLAB的基在課程設(shè)計(jì)的過(guò)程中我遇到了很多問(wèn)題，使我明白了自己的知識(shí)到底有在以后的學(xué)習(xí)中要注重知識(shí)和技能的提高，更應(yīng)該注重方法和思路的培 練與設(shè)計(jì)說(shuō)明書(shū)宇，吳仁彪.盲源分離及盲信號(hào)提取的研究進(jìn)展[J].中國(guó)民[2]趙艷.盲源分離與盲信號(hào)提取問(wèn)題研究[D].西安:西安理工大學(xué);2004.[6]李著成.基于獨(dú)立分量分析盲源分離算法的研究[D].太原：太原理工大學(xué) 練與設(shè)計(jì)說(shuō)明書(shū)%讀入混合前的原始聲音并顯示 練與設(shè)計(jì)說(shuō)明書(shū)%將其組成矩陣數(shù)的矩陣%將混合矩陣重新排列并輸出 練與設(shè)計(jì)說(shuō)明書(shū)征值分解 練與設(shè)計(jì)說(shuō)明書(shū)%初始化列向量w的寄存矩陣,B=[b1b2..