語(yǔ)音信號(hào)識(shí)別基于盲源信號(hào)分離的實(shí)現(xiàn)

摘要：為了識(shí)別兩路頻譜混疊語(yǔ)音信號(hào)，多采用盲信號(hào)分離的方法。但是該方法在工程實(shí)踐中實(shí)現(xiàn)較困難。因此給出了一種利用盲源信號(hào)分離的原理及特點(diǎn)的實(shí)現(xiàn)方法，具體說(shuō)明了用FastICA算法在ADSP_BF533平臺(tái)上實(shí)現(xiàn)盲源信號(hào)分離時(shí)的具體流程。該設(shè)計(jì)方案所需時(shí)間短，效率高，而且占用內(nèi)存較少。
關(guān)鍵詞：盲信號(hào)分離；DSP；FastICA；ADSP_BF533平臺(tái)

0 引言
近年來(lái)，許多學(xué)者都針對(duì)盲信號(hào)分離不斷地提出新的理論算法，盲信號(hào)分離(BSS)發(fā)展也日趨完善。而用DSP器件實(shí)現(xiàn)這種技術(shù)具有很大意義。本文提出了盲源信號(hào)分離的實(shí)現(xiàn)原理、算法和實(shí)現(xiàn)步驟，并對(duì)利用DSP實(shí)現(xiàn)時(shí)經(jīng)常出現(xiàn)的問(wèn)題提出了解決方案。
盲信號(hào)分離是指在傳輸信道特性和輸入信息未知或者僅有少量先驗(yàn)知識(shí)的情況下，只由觀測(cè)到的輸出信號(hào)來(lái)辨識(shí)系統(tǒng)，以達(dá)到對(duì)多個(gè)信號(hào)分離的目的，從而恢復(fù)原始信號(hào)或信號(hào)源。它是一種在神經(jīng)網(wǎng)絡(luò)和統(tǒng)計(jì)學(xué)基礎(chǔ)上發(fā)展起來(lái)的技術(shù)，并在近十年來(lái)獲得了飛速發(fā)展。盲源信號(hào)分離對(duì)很多領(lǐng)域的多信號(hào)處理與識(shí)別提供了很大方便。該技術(shù)在通信、生物醫(yī)學(xué)信號(hào)處理、語(yǔ)音信號(hào)處理、陣列信號(hào)處理以及通用信號(hào)分析等方面有著廣泛的應(yīng)用前景。它不僅對(duì)信號(hào)處理的研究，而且也對(duì)神經(jīng)網(wǎng)絡(luò)理論的發(fā)展起著積極的推動(dòng)作用。

1 盲源信號(hào)分離的數(shù)學(xué)模型及常見算法
1．1 數(shù)學(xué)模型
盲分離問(wèn)題的研究?jī)?nèi)容大體上可以劃分為瞬時(shí)線性混疊盲分離、卷積混疊盲分離，非線性混疊盲分離以及盲分離的應(yīng)用四部分。當(dāng)混疊模型為非線性時(shí)，一般很難從混疊數(shù)據(jù)中恢復(fù)源信號(hào)，除非對(duì)信號(hào)和混疊模型有進(jìn)一步的先驗(yàn)知識(shí)。圖1所示是瞬時(shí)線性混疊盲分離信號(hào)模型示意圖。

圖1中，S=[s1(t)，s2(t)，…，sN(t)]T是未知的N維源信號(hào)向量，A是未知的混合矩陣，n=[n1(t)，n2(t)，…，nN(t)]T是M維噪聲向量，X=[x1(t)，x2(t)，…，xM(t)]T是傳感器輸出的M維觀測(cè)信號(hào)向量，有X=AS+n，盲源分離算法要求只知道X來(lái)確定S或A。獨(dú)立分量分析(Independent ComponentAnalysis，ICA)是BSS的一種，其基本含義是把信號(hào)分解成若干個(gè)互相獨(dú)立的成分。圖1中，ICA的目標(biāo)就是尋找一個(gè)分離矩陣W，使X經(jīng)過(guò)變換后得到的新矢量Y=[y1(t)，y2(t)，…，yN(t)]T的各分量盡可能的獨(dú)立。Y=WX為待求的分離信號(hào)向量，也就是源信號(hào)S的估計(jì)值。
1．2 盲信號(hào)預(yù)處理常見算法
在盲信號(hào)處理過(guò)程中，為了減少計(jì)算量，提高系統(tǒng)效率，通常需要經(jīng)過(guò)預(yù)處理。預(yù)處理一般包括中心化和白化。中心化是使信號(hào)的均值為零。由于在一般情況下所獲得的數(shù)據(jù)都具有相關(guān)性，所以通常都要求對(duì)數(shù)據(jù)進(jìn)行初步的白化處理，因?yàn)榘谆幚砜扇コ饔^測(cè)信號(hào)之間的相關(guān)性，從而簡(jiǎn)化后續(xù)獨(dú)立分量的提取過(guò)程。而且，通常情況下，對(duì)數(shù)據(jù)進(jìn)行白化處理與不對(duì)數(shù)據(jù)進(jìn)行白化處理相比，其算法的收斂性較好、工作量少、效率高。
線性混疊盲分離信號(hào)模型一般都采用獨(dú)立分量分析的方法。ICA的主要依據(jù)和前提是假設(shè)源信號(hào)是獨(dú)立的，因此，自然就可以設(shè)想ICA算法的第一步是建立目標(biāo)函數(shù)來(lái)表征分離結(jié)果的獨(dú)立程度。目標(biāo)函數(shù)確定后，可通過(guò)各種不同的優(yōu)化算法進(jìn)行優(yōu)化，進(jìn)而確定分離矩陣W，其中有代表性的算法主要有最大信息量(Infomax)法、自然梯度法、快速獨(dú)立元分析算法(FastICA)、矩陣特征值分解法等。盲分離中經(jīng)常要用到優(yōu)化運(yùn)算，就優(yōu)化手段而言，Infomax算法、自然梯度算法屬于梯度下降(上升)尋優(yōu)算法，收斂速度是線性的，速度略慢一些，但屬于自適應(yīng)方法，且具有實(shí)時(shí)在線處理能力；FastICA算法是一種快速而數(shù)值穩(wěn)定的方法，采用擬牛頓算法實(shí)現(xiàn)尋優(yōu)，具有超線性收斂速度，通常收斂速度較梯度下降尋優(yōu)算法快得多；矩陣特征值分解方法一般通過(guò)對(duì)矩陣進(jìn)行特征分解或者廣義特征分解來(lái)估計(jì)分離矩陣，這是一種解析方法，可直接找到閉形式解(Closed Form Soutions)，由于其沒(méi)有迭代尋優(yōu)過(guò)程，因此運(yùn)行速度最快。

2 盲源信號(hào)分離的DSP實(shí)現(xiàn)方法
2．1 實(shí)現(xiàn)原理
由于FastICA算法和其他的ICA算法相比，具有許多人們期望的特性：如收斂速度快、無(wú)需選步長(zhǎng)參數(shù)、能夠通過(guò)選擇適當(dāng)?shù)姆蔷€性函數(shù)g來(lái)最佳化、能減小計(jì)算量等。同時(shí)也有許多神經(jīng)算法的優(yōu)點(diǎn)，如并行、分布式且計(jì)算簡(jiǎn)單，內(nèi)存要求很少等。因此，F(xiàn)astICA得到了廣泛的應(yīng)用。本文就采樣了這種算法。
2．2 實(shí)現(xiàn)方法
基于負(fù)熵最大的FastICA算法的基本原理是基于中心極限定理。即：若一隨機(jī)變量X由許多相互獨(dú)立的隨機(jī)變量Si(i=1，2，…，N)之和組成，那么，只要Si具有有限的均值和方差，則不論其為何種分布，隨機(jī)變量X較Si更接近高斯分布。由信息論理論可知；在所有等方差的隨機(jī)變量中，高斯變量的熵最大，因而可以利用熵來(lái)度量非高斯性，常用熵的修正形式，即負(fù)熵。因此，在分離過(guò)程中，可通過(guò)對(duì)分離結(jié)果的非高斯性度量來(lái)表示分離結(jié)果間的相互獨(dú)立性，當(dāng)非高斯性度量達(dá)到最大時(shí)，表明已完成對(duì)各獨(dú)立分量的分離。