毕业设计（论文）-盲信号分离毕业论文.docVIP

摘要 语音信号分离是近几十年来广泛应用于通信、雷达、电子医学等方面的发展方向，其理论基础是语音信号的盲源分离。本文主要介绍了盲源分离和独立分量分析概念以及相关知识，探讨ICA研究中的主要问题。盲信号处理算法分为批处理算法和自适应算法两类，研究得到一种批处理和自适应相结合的快速独立分量分析(fast independent component analysis, Fast ICA)算法。在语音信号的处理和分离中，声音的信号多种多样，但是来自不同语音源的信号保持相对独立，利用此特点及盲信号分离的思想，将Fast ICA算法作用在语音信号的分离上，从而获得独立的声音文件。 本文重点研究了盲信号处理的思想和ICA算法，明确了ICA方法的数学模型、基本假设条件以及ICA目标函数的估计准则。本文使用三个声音文件做实验，用matlab进行仿真试验，通过分离前后的波形图进行对比与分析，来证明该算法具有良好的语音信号分离效果。 关键词：语音信号分离；盲信号处理算法；独立分量分析；ICA固定点算法 英文摘要  目录 1 绪论 4 1.1 研究背景与意义 4 1.2 本文研究方向 4 2 盲信号处理相关知识 5 2.1 盲信号处理的概述 5 2.2 盲信号处理的方法 6 2.3 盲信号处理的研究与应用 6 2.4 独立分量分析 7 2.4.1 独立分量分析的定义 7 2.4.2 ICA基本概念 8 3 语音信号特性与分析 10 3.1 语音的特性 10 3.2 有关语音信号处理的基础知识 11 3.3 语音信号的MATLAB程序 11 3.3.1 输入语音信号的MATLAB波形图分析 11 3.3.2 混合语音信号的MATLAB波形图分析 13 4 FastICA算法 14 4.1 语音信号数据的预处理 14 4.2 FastICA 算法 15 4.3 快速ICA算法分离的基本步骤 17 4.4 混合语音信号波形图 18 4.5 分离语音信号波形图 19 4.6 对比与分析 20 5 结论 21 致谢 21 主要参考文献 21 绪论 研究背景与意义 数字信号处理技术是1960年开始，伴随着计算机技术的发展而迅速发展起来的一门学科技术。从诞生起，它便显示出了庞大的潜力，并很快在诸如雷达和声纳，电子通讯工程，以及电子生物医学等领域中应用于实际，并且取得了非常好的效果，使人们对这门技术给予了很大的期望。但是由于早期技术能力的不足，数字信号处理主要是根据一个高斯稳态信号和系统限制因果最小相位系统的假设，而信号的分析主要使用其相关函数（时域）和功率谱（频域）等二阶统计信息。因为在许多情况下，这些假设大致成立，因此通过实际需要的数字信号处理技术的发展迅速并逐渐完善，且被日益广泛的应用。 在这同时，信息理论，人工神经网络，多维信号处理技术，进化算法，模糊推理，盲信号处理等等技术在过去十年中取得的突破显著，并已经应用到信号处理领域。在理论和技术方面，这些新的突破已逐渐成为现代信号处理的里程碑。使得无论各行各业的研究人员都需要学习并掌握现代信号处理方法，并将其应用于行业中。 随着数字信号处理技术的应用在各个领域的应用逐渐深化，以及数字信号处理技术本身的不断发展，大家开始并不满足于处理线性时不变因果最小相位系统以及平稳高斯信号，以及经典的信号处理理论，因此非平稳，非高斯和非线性、时变的非因果最小相位系统被推出舞台。同时，由于对于高阶统计量和小波变换的研究有很大的进展，现在已经能够对?非高斯以及非平稳信号进行信号分析并进行处理。曾经一度让人认为无法解决的加性有色噪声的信号处理，也已经取得了实质性的进展。此外，自适应信号处理算法以及高分辨率频谱分析等方面也有了突破性的发展。 本文研究方向 鸡尾酒会效应(cocktail party effect)，也称为选择性关注(selective attention)，即为盲源分离的一个实际例子，指人在嘈杂的环境中或者很多人同时说话的环境下依旧能分辨出自己感兴趣的声音，这说明人类的大脑可以进行类似于盲源语音分离的工作，在实验中，我们并不能认为计算机可以完全替代人脑对于语音的识别程度，但是通过软件将原本混合在一起的语音信号分开，来模拟嘈杂环境下的语音识别是可以实现的。 盲信号处理相关知识 盲信号处理的概述 盲信号处理(Blind Signal Processing, BSP)是近年来在现代数学信号处理领域中的重要发展方向。它指在信号在无参考信号的条件下，来估计出原始信号的方法，用系统的输出数据，通过处理手段来获得我们想要了解的相关信息。盲信号处理已经能够在移动通信、电子信息处理、生物医学工程、雷达与探测等等专业领域中广泛应用。 盲信号处理中的“盲”指信号源是未知的，并且混合信号也是未知的，因此我们在盲信号处理的过程中无法