语音信号盲分离—ICA算法程序.pptxVIP

语音信号盲分离 —ICA算法;主要内容;背景介绍; 盲信号处理(Blind Signal Processing, BSP)作为计算智能学的核心研究内容，是20世纪最后十年迅速发展起来的一个新研究领域，是人工神经网络与统计信号处理以及信息理论相结合的产物，已经成为一些领域研究与发展的重要课题，它具有可靠的理论基础和许多方面的应用潜力。事实上，盲信号处理已成为重要的研究课题，并在许多领域得到发展，特别是在生物医学工程、医疗成像、语音增强、遥感、雷达与通信系统、地震勘探、地球物理学、计量经济学、数据挖掘等方面均具有突出的作用。盲信号处理技术原则上不利用任何训练数据，也没有关于卷积、滤波、混合系统参数的先验知识。而且随着盲信号处理技术的不断成熟，从传统的信号处理、神经元网络领域到通信、生物医学工程、地球物理、以及图像工程、控制工程等领域，盲信号处理技术正在得到越来越广泛的应用。因此，大力发展盲信号处理技术，不仅会积极地促进信号处理、神经网络的研究，而且也将会对多个领域新技术的发展起到一定的促进作用。;研究现状简介; 1995年，Bell和Sejnowsk基于信息理论，通过最大化输出非线性节点的熵，得出一种最大信息(Informatian Maximization,简记Infomax)传输的准则函数，并由此导出一种自适应盲源分离和盲反卷积方法，当该方法中非线性函数的选取逼近源信号的概率分布时，可以较好地恢复出源信号。该算法虽有其局限性，但在分离线性混合的语音信号方面非常有效。 1997年，Hyvarinen等基于源信号非高斯性测度，给出一类定点训练算法(fixed-point)，该类算法可以提取单个具有正或负峰度的源信号。 1999年，Lee、 Girolami和Sejnowski将信息最大化原则的独立分量分析作了进一步的扩展，实现了超高斯源信号和亚高斯源信号的盲源分离，这个方法选取两个不同的非线性函数分别实现超高斯信号和亚高斯信号的盲源分离。但是这个方法只局限于实现标准的独立分量分析，不能解决当源信号维数大于混合信号维数时的盲源分离向题，也不能实现具有噪音的独立分量分析。 ;非线性瞬时混合信号 最近，人们???经开始研究存在噪声的混合和非线性混合信号的盲源分离问题。非线性盲源分离比线性情况的分离难度更大，目前基本还处在最初的摸索阶段。较早涉及非线性混合信号盲源分离的是Burel,1992年他用一个两层感知器和基于误差后向传输思想的无监督训练算法，得到一种盲源分离算法，可以用于非线性混合信号的盲源分离。 1994年，Krob和Benidir研究了利用高阶统计量解决多项式结构的非线性混合问题。 1995年，Deco和Brauer研究了一个基于Volume-Conserving结构的非线性变换的盲源分离。 1997年，Yang、Amari和Cichocki基于对于源信号各分量统计独立的假设，利用两层感知器网络结构得出基于最大熵( Minimum Entropy，简记ME)和最小互信息思想(Minimum Mutual information，简记MMI )的代价函数，并提出了反向学习算法，当合理选择非线性函数时该算法可以分离出一些特定非线性混合的源信号。 ; 1998年，Taleb、Jutten 和 Olympieff 提出了一种非线性混合信号盲源分离算法，该算法基于熵，对于分离某些盲混合信号具有良好性能。 2001年，Valpola、Honkela 和 Karhunen提出了贝叶斯集合学习算法(Bayesian Ensemble Learning Algorithm )，该算法采用多层感知器神经元网络(MLP )，能够对非线性静态和动态过程实现盲源分离。Tan和Wang提出了基于遗传算法( Genetic Algorithm)的盲源分离方法，该算法利用遗传算法使信号非线性混合度最小化，然后对去除非线性后的数据进行线性分离，从而实现盲源分离。与传统的梯度算法相比，基于遗传算法的盲源分离方法有着更快的收敛速度和稳定性，能够在全局范围内寻找最优解。Tan、Wang和Zurada提出了径向基网络算法(Radial Basis Function Network Algorithm)，使用径向基函数神经网络来逼近非线性混合的逆映射实现盲源分离。 ;盲分离的概念、方法和准则;盲源分离的基本方法 盲源分离包含了线性瞬时混合和卷积混合两种盲源分离问题。解决盲源分离问题的重要方法一独立分量分析(Independent Component Analysis，ICA)通常以线