基于模糊系統實時卷積混合盲信號分離自適應步長方法
【專利摘要】本發明涉及語音信號處理，為提供提出利用模糊系統確定學習速率，保證算法在前期的收斂速度和后期的穩態性能，達到良好實時分離效果。本發明采用的技術方案是，基于模糊系統實時卷積混合盲信號分離自適應步長方法，包括如下步驟：步驟(1)：通過短時傅里葉變換將輸入信號由時域轉換至頻域；步驟(2)：輸入信號并依次處理對于當前時刻每個頻域點輸入的信號；步驟(3)：建立模糊系統；步驟(4)：根據當前步長來計算當前時刻的分離矩陣；步驟(5)：通過分離矩陣求解頻域分離信號；步驟(6)：通過短時傅里葉逆變換將頻域分離信號轉換至時域，從而得到最終的分離信號。本發明主要應用于語音信號處理場合。
【專利說明】
基于模糊系統實時卷積混合盲信號分離自適應步長方法
技術領域
[0001] 本發明設及語音信號處理，卷積混合盲信號分離是針對許多實際應用的場景的分 離方法，例如混合聲音信號的分離等。實時卷積混合盲信號分離的自適應步長方法可W有 效的選擇步長，在保證系統穩定的前提下盡快的得到精確的分離信號，在語音信號的處理 等方面有著重要的作用。具體講，設及基于模糊系統實時卷積混合盲信號分離自適應步長 方法。
【背景技術】
[0002] 盲信號分離是指僅根據觀測到的混合數據向量來恢復原始信號或信源，而在運一 過程混合矩陣未知。它在生物醫學信號處理，圖像處理與語音識別等領域都有著廣闊的應 用前景。在信號的混合過程中，由于信號的反射延時等作用，最終的信號混合方式通常不是 線性瞬時混合而是卷積混合。通常稱卷積混合的盲信號分離問題為卷積混合盲信號分離。
[0003] 由于聲音信號卷積階數通常為數千階，導致了時域解卷積混合忙信號問題的計算 量通常會變的很大，最終會導致收斂速度非常慢。因此，對于卷積混合盲信號分離問題，通 常通過將信號轉換至頻域進行處理。對于頻域而言，時域的卷積相當于頻率的乘法。因此， 只要在每個頻率點逐次進行基本的線性混合盲信號分離即可。
[0004] 卷積混合盲分離的混合模型形式如下：
[0005]
(1)
[0006] 式中，Xi(t)為在t時刻第i路混合信號的值刮(t)為在t時刻第j路源信號的值。Μ為 源信號數目，Ν為混合信號數目，一般認為Μ=Ν"Τ為卷積混合階數。hu(T)為混合濾波器的系 數。
[0007] 通過短時傅立葉變化(STFT)，可W將信號轉換至頻域進行處理。時域的卷積運算 在頻域表現為每個頻域點的乘法。混合模型如下：
[000引
樹
[0009] 式中，η表示頻域節段索引，f表示在頻率點k第i路源信號對第j路輸出信號的混 合系數，K表示頻率點的數目。為了簡化形式，混合模型的矩陣形式如下：
[0010] xk[n] 3 巧sk[n] k = i，2. . . .K (3)
[0011] 式中，巧第i行第j列的元素為4。將信號轉換至頻域后，解決卷積混合的問題就轉 換為了在所有頻率點進行線性瞬時混合的盲分離。分離模型如下：
[0012] Yk[n]=Wkxk[n] k = l，2. . .K (4)
[0013] 式中，Wk表示在頻率點k的分離矩陣。Yk[n]為輸出信號，表示對源信號Sk[n]的估 計。在頻域對信號進行分離結束后，通過短時傅立葉逆變化（ISTFT)，則可得到最終估計出 的時域信號s(t)。通過STFT將卷積混合變換至頻域后，所要解決的問題就轉換成了求解一 系列分離矩陣Wk。在每個頻率點k處，相當于解決一次線性瞬時混合盲分離問題，從而得到 當前頻率點處的分離矩陣Wk。
[0014]對于在線算法而言，每次更新過程中僅考慮當前輸入節點的數據，分離濾波器的 系數在每輸入一個節點數據后進行一次更新。因此，在線頻域分離模型為如下形式：
[001 引 Yk[n]=wk[n]xk[n] k = l，2...K (5)
[0016] 式中，η表示節段索引。分離濾波器的系數為如下形式：
[0017] wk[n+l]=Wk[n]巧AWk[n] k = l，2...K (6)
[001引式中，η表示步長。
[0019]為了改善算法的收斂速度，引入標準化因子巧η]:
[0020]
所
[0021] 式中，β為順滑因子。引入標準化因子后，分離矩陣更新規則變為如下形式：
[0022]
(8)
【發明內容】
[0023] 為克服現有技術的不足，本發明旨在提供提出利用模糊系統確定學習速率，保證 算法在前期的收斂速度和后期的穩態性能，達到良好實時分離效果。本發明采用的技術方 案是，基于模糊系統實時卷積混合盲信號分離自適應步長方法，包括如下步驟：
[0024] 步驟(1):通過短時傅里葉變換將輸入信號由時域轉換至頻域；
[0025] 步驟(2):輸入信號并依次處理對于當前時刻每個頻域點輸入的信號，先計算當前 的信號的整個系統的輸出性能D[n]和第k個頻域點的輸出信號的分離狀態Dk[n];
[0026] 步驟(3):建立模糊系統，并將D[n]和〇k[n]輸入建立好的模糊系統來確定當前步 長；
[0027] 步驟(4):根據當前步長來計算當前時刻的分離矩陣；
[0028] 步驟(5):通過分離矩陣求解頻域分離信號；
[0029] 步驟(6):通過短時傅里葉逆變換將頻域分離信號轉換至時域，從而得到最終的分 離信號。
[0030] 所述步驟(2)中的D[n]和〇k[n]的計算公式推導如下：
[0031] 引入/;>]與/<[叫來表示兩個信號間的二階相關性與高階相關性，其計算公式如 下：
[0034] 式中
表示 一個非線性函數，E( ·)表示求均值，cov[ |Yik[n] I ]=E{[ |Yik[n] |-E( |Yik[n] I )]2}，Yik[n] 表示在頻率點k處的第i路輸出信號，r； [η]表示在頻率點k處的第j路輸出信號，心[對表示在 節點η時頻率點k處的第i路輸出信號與第j路輸出信號的二階相關性，表示在節點η時 頻率點k處的第i路輸出信號與第j路輸出信號的高階相關性。
[0035] 為了進一步衡量系統的分離狀態，引入如下函指標
[0036]
(11)
[0037] 〇>·]表示了在第k個頻域點的第i路輸出信號與第j路輸出信號的依賴程度；
[00 測
（12)
[0039] 畔Μ表示了在第k個頻域點的第i路輸出信號的分離程度；
[0040]
<13}
[0041] 〇k[n]表示了在第k個頻域點的所有輸出信號的分離狀態；
[0042]
C14)
[0043] D[n]表示了整個系統在η時刻的輸出性能。
[0044] 所述步驟(3)中模糊系統如下：
[0045] 將D[n]與Dk[n]作為模糊系統的輸入變量，將其分為旨'6曰*，1111(1(116和6曰(1^類并構 造相應的模糊集，將I；/?"乍為模糊系統的輸入變量，分為V e巧S ma 11，S ma 11，m i d d 1 e， large，very large五類并構造相應的模糊集，模糊推斷規則如表1所示：
[0046] 表1模糊推斷規則
[0047]
[004引 其中，great ,middle和bad分別表不優、中、差，very smal 1，smal 1，large，ve;ry large分別表不很小、小、大、很大。
[0049] 本發明的特點及有益效果是：
[0050] 本發明將學習速率由標量擴展為矢量，即在不同頻率點處可W選用不同的學習速 率。通過引入了一系列相關性指標用于衡量在當前時刻獨立矢量分析模型中每個頻率點信 號的分離程度和信號整體的分離程度。建立模糊系統，根據信號當前的分離程度來為分離 算法確定學習速率。模糊系統包含兩個輸入和一個輸出。輸入分別是當前頻率點分離信號 的相關性指標和整體分離信號的相關性指標。輸出是當前頻率點的學習速率。針對一般固 定步長的實時盲信號分離算法無法兼顧收斂速度與穩態性能的局限性，提出利用模糊系統 確定學習速率，從而保證了算法在前期的收斂速度和后期的穩態性能。實驗結果表明提出 的算法能有效地克服上述問題:在四路卷積混合盲信號分離中，經過15秒左右分離信號的 信干比（Signal to Interfere Ratio)可W達到13地W上，達到良好實時分離效果。
【附圖說明】：
[0051 ]圖1為本發明中頻域解卷積混合盲信號分離的模型圖；
[0052] 圖2為本發明中模糊系統輸入信號隸屬度函數圖；
[0053] 圖3為本發明中模糊系統輸出信號隸屬度函數圖；
[0054] 圖4為本發明中模糊系統輸入輸出關系圖。
【具體實施方式】
[0055] 本發明的目的在于提供一種基于模糊系統為實時卷積混合盲信號分離算法自適 應的選擇步長的方法。對于實時卷積混合盲信號分離的獨立矢量分析方法而言，步長大小 的選擇代表了收斂速度與穩態性能的權衡。較大的學習速率可W得到相對較快的收斂速 度，但其在穩態時也會存在較大的波動，從而影響算法性能。而較小的學習速率盡管在穩態 時有著較好的性能，但是訓練至穩定狀態需要的數據量過多。此外，在實際應用中，由于環 境可能存在的變化，在整個過程中，系統的混合方式可能存在變化，分離濾波器也會隨之變 化。因此，必須保證學習速率可W隨著當前輸出的狀態而增減來滿足系統要求，即當輸出信 號精度較低時，選擇較大的學習速度加快分離速度，而當輸出信號精度較高時，選擇較小的 學習速度來進一步提高分離性能。
[0056] 為了實現上述目的，本發明采用如下技術方案:基于模糊系統的實時卷積混合盲 信號分離自適應步長方法，包括如下步驟：
[0057] 步驟(1):通過短時傅里葉變換將輸入信號由時域轉換至頻域。
[0058] 步驟(2):輸入信號并依次處理對于當前時刻每個頻域點輸入的信號，先計算當前 的信號的整個系統的輸出性能D[n]和第k個頻域點的輸出信號的分離狀態〇k[n]。
[0059] 步驟(3):建立模糊系統，并將D[n]和〇k[n]輸入建立好的模糊系統來確定當前步 長。
[0060] 步驟(4):根據當前步長來計算當前時刻的分離矩陣。
[0061 ]步驟(5):通過分離矩陣求解頻域分離信號。
[0062] 步驟(6):通過短時傅里葉逆變換將頻域分離信號轉換至時域，從而得到最終的分 離信號。
[0063] 所述步驟(2)中的D[n]和〇k[n]的計算公式推導如下：
[0064] 為了評估當前時刻每個頻率點處信號的分離程度和信號整體的分離程度，需要構 造一系列相關性指標。對于復信號而言，我們引入《[對與A《[對來表示兩個信號間的二階 相關性與高階相關性，其計算公式如下：
[0067] 式中：
I示 一個非線性函數，E( ·)表示求均值，cov[ |Yik[n] I ]=E{[ |Yik[n] |-E( |Yik[n] I )]2}，Yik[n] 表示在頻率點k處的第i路輸出信號，拉]表示在頻率點k處的第j路輸出信號，>^[對表示在 節點η時頻率點k處的第i路輸出信號與第j路輸出信號的二階相關性，的>拔示在節點η時 頻率點k處的第i路輸出信號與第j路輸出信號的高階相關性。
[0068] 為了進一步衡量系統的分離狀態，我們引入了如下函指標
[0069]
< 11)
[0070] 〇；；樹表示了在第k個頻域點的第i路輸出信號與第j路輸出信號的依賴程度。
[0071]
(12)
[0072] 啤[叫表示了在第k個頻域點的第i路輸出信號的分離程度。
[0073]
(13)
[0074] 〇k[n]表示了在第k個頻域點的所有輸出信號的分離狀態。
[0075]
U4)
[0076] D[n]表示了整個系統在η時刻的輸出性能。
[0077] 所述步驟(3)中模糊系統如下：
[0078] 將D[n]與Dk[n]作為模糊系統的輸入變量，將其分為旨'6曰*，1111(1(116和6曰(1^類并構 造相應的模糊集。將/·/' Ο?"乍為模糊系統的輸入變量，分為V e巧S m a 11，S m a 11，m i d d 1 e， large，very large五類并構造相應的模糊集。模糊推斷規則如表1所示。
[0079] 表1模糊推斷規則
[0080]
[0081J
。
[0082] 本發明的特點：
[0083] 1.通過短時傅里葉變換將輸入信號由時域轉換至頻域。
[0084] 2.輸入信號并依次處理對于當前時刻每個頻域點輸入的信號，先計算當前的信號 的整個系統的輸出性能D[n]和第k個頻域點的輸出信號的分離狀態〇k[n]。
[0085] 3.建立模糊系統，并將D[n]和〇k[n]輸入建立好的模糊系統來確定當前步長。
[0086] 4.根據當前步長來計算當前時刻的分離矩陣。
[0087] 5.通過分離矩陣求解頻域分離信號。
[0088] 6.通過短時傅里葉逆變換將頻域分離信號轉換至時域，從而得到最終的分離信 號。
【主權項】
1. 一種基于模糊系統的實時卷積混合盲信號分離自適應步長方法，其特征是，步驟如 下： 步驟(1):通過短時傅里葉變換將輸入信號由時域轉換至頻域； 步驟(2):輸入信號并依次處理對于當前時刻每個頻域點輸入的信號，先計算當前的信 號的整個系統的輸出性能D[n]和第k個頻域點的輸出信號的分離狀態Dk[n]; 步驟(3):建立模糊系統，并將D[η]和Dk[n]輸入建立好的模糊系統來確定當前步長； 步驟(4):根據當前步長來計算當前時刻的分離矩陣； 步驟(5):通過分離矩陣求解頻域分離信號； 步驟(6):通過短時傅里葉逆變換將頻域分離信號轉換至時域，從而得到最終的分離信 號。 通過短時傅里葉逆變換將頻域分離信號轉換至時域，從而得到最終的分離信號。2. 如權利要求1所述的基于模糊系統的實時卷積混合盲信號分離自適應步長方法，其 特征是，所述步驟(2)中的D[n]和Dk[n]的計算公式推導如下： 引入與/^[〃]來表示兩個信號間的二階相關性與高階相關性，其計算公式如下：Ρ( ·)表示一個 ，. 非線性函數，Ε( ·)表示求均值：κ/_[η]表示在頻率點 k處的第i路輸出信號，Ff[n]表示在頻率點k處的第j路輸出信號，<[?!表示在節點η時頻率 點k處的第i路輸出信號與第j路輸出信號的二階相關性，/<[/7]表示在節點η時頻率點k處的 第i路輸出信號與第j路輸出信號的高階相關性。3. 如權利要求1所述的基于模糊系統的實時卷積混合盲信號分離自適應步長方法，其 特征是，為了進一步衡量系統的分離狀態，引入如下函指標：表示了在第k個頻域點的第i路輸出信號與第j路輸出信號的依賴程度；Μ表示了在第k個頻域點的第i路輸出信號的分離程度；Dk[n]表示了在第k個頻域點的所有輸出信號的分離狀態；D[n]表示了整個系統在η時刻的輸出性能。4.如權利要求1所述的基于模糊系統的實時卷積混合盲信號分離自適應步長方法，其 特征是，所述步驟(3)中模糊系統如下： 將D[n]與Dk[n]作為模糊系統的輸入變量，將其分為great，middle和bad三類并構造相 應的模糊集，將//'〇;]作為模糊系統的輸入變量，分為very small，small，middle，large， very large五類并構造相應的模糊集，模糊推斷規則如表1所示： 表1模糊推斷規則其中，great，middle和bad分另lj表;^:優、中、差，very small，small，large，very large 分別表示很小、小、大、很大。
【文檔編號】G10L21/0272GK105825866SQ201610348832
【公開日】2016年8月3日
【申請日】2016年5月24日
【發明人】張立毅, 王哲, 陳雷, 李鏘
【申請人】天津大學