一种引入虚拟噪声分量的独立分量分析语音增强算法

简要介绍了有关独立分量分析(ICA)的基本理论和算法后,探讨了独立分量分析在语音增强中的应用。针对在加噪模型中进行ICA分离时,噪声消除比较困难这一问题通过理论分析,引入了虚拟高斯白噪声的概念,将其应用在ICA的语音增强算法中得到了解决。仿真试验结果表明,该方法能有效地消除语音信号中的白噪声。     

基于参考独立分量分析的语音增强方法

参考独立分量分析（independent component analysis with reference,ICA—R）将源信号的先验知识以参考信号的形式引入学习算法中,可以从混合信号中仅抽取期望的源信号．基于ICA—R提出了一种语音增强新方法．通过比较语音信号和多种噪声信号的特点,合理地构造了具有语音信号重要特性的参考信号,进而应用ICA—R从多种加性噪声中抽取了期望增强的语音信号．计算机仿真和性能分析结果均表明了该方法的有效性．     

采用独立分量分析方法消除信号中的工频干扰

工频干扰的消除是微弱信号采集中的一项重要技术,传统方法是采用陷波滤波器或自适应滤波,论文则提出了用独立分量分析（ICA）进行生物医学信号中工频干扰消除的新方法,在简要介绍了独立分量分析的基本理论及算法的基础上,根据三种不同的实际情况,详细讨论了利用独立分量分析进行工频干扰消除的方法与步骤,并给出了实验结果。     

基于独立分量分析的混合声音信号分离

论文简要介绍了有关独立分量分析（ICA）的基本理论和算法;探讨了独立分量分析在混合声音信号分离中的应用。针对ICA输出结果排序的不定性以及在长时间记录声音信号的过程,ICA混合模型系数存在时变性等问题,提出了一种结合小波变换和独立分量分析的解决方法;试验结果表明,该方法能有效地提高运算效率并获得较好的分离效果。     

核独立分量分析在盲源信号分离中的应用研究

提出利用核独立分量分析来分离混合语音信号的盲信号处理方法.介绍了基于核空间ICA的原理和基本算法,然后利用核独立分量分析算法和固定点快速分离算法分离了混合语音信号.试验结果表明:利用基于核独立分量分析的方法可以得到较为理想的分离效果.     

基于EEMD和ICA的语音去噪方法

语音去噪技术是语音识别系统走向实用化的一个关键性难题.针对语音信号为非平稳信号的特点,提出了一种基于EEMD和ICA相结合的语音去噪方法,首先利用集合经验模态分解(EEMD)算法将含噪语音信号分解为若干个独立的固有模态函数(IMF),消除了经验模态分解(EMD)算法处理语音信号时产生的模态混迭现象;然后将固有模态函数通过改进的独立分量分析(ICA)算法分离出若干个有效的语音信号分量;最后对其进行语音重构,从而达到消除噪声干扰的目的.实验结果表明,该方法在输入信噪比为-10dB的汽车噪声条件下,可以将语音信号的信噪比提高到2.741 2 dB.     

基于广义伽玛分布的灵活独立分量分析算法

针对基于拉普拉斯分布灵活独立分量分析算法收敛速度较慢的问题,提出了一种基于广义伽玛分布的灵活独立分量分析算法,该算法把广义伽玛分布概率密度函数作为语音信号概率密度函数的估计,得到一个更加适合语音信号分离的激活函数。将推导出的激活函数应用于独立分量分析(ICA)的自然梯度算法中进行了计算机仿真实验,验证了算法的收敛性能和分离性能。     

传统独立分量分析和变分贝叶斯独立分量分析的比较

通过试验比较了传统的独立分量分析(ICA)和变分贝叶斯独立分量分析(VbICA)在源信号分离中的能力,试验研究表明,无噪声环境下的盲源分离,两种方法都能得到很好的分离性能.然而,噪声环境下的源信号分离,变分贝叶斯独立分量明显优于传统独立分量分析,特别是随着噪声的增强,变分贝叶斯独立分量的优势就越明显.另外,变分贝叶斯独立分量可以估计源信号的数目,而传统独立分量分析往往事先假设源信号的个数已知,否则无法进行源信号分离.     

基于EMD的ICA语音增强

传统ICA方法是将所有源信号都从混合信号中都提取出来,而参考独立分量分析(ICA-R)通过将一些先验信息引入到ICA学习算法中,从混合信号中仅提取期望源信号.本文为了从混合语音信号中提取出期望的语音信号,采取的是基于经验模态分解(EMD)方法来获取功率谱包络作为参考信号,继而把参考信号运用到ICA－R算法中,达到语音增强的目的.计算机仿真和性能分析结果表明,此方法在有噪声干扰的情况下达到语音增强的目的.     

基于独立分量分析的字符识别方法

该文介绍了独立分量分析(ICA)的基本原理，给出了应用于字符识别的ICA算法，得到一组独立基的投影系数．在此基础上，组合欧氏距离和马氏距离实现字符分类．该方法已在汽车牌照字符识别中得到应用．     

改进最大信噪比的独立成分分析单通道语音增强算法

针对现有基于独立成分分析(ICA)的盲源分离算法在单通道语音增强中的不稳定性和信噪比低的问题,提出了新的基于最大信噪比的ICA语音增强算法.该算法首先用带噪语音直接乘以二维向量,并经过列满秩的转换,得到既具有源信号特性、又不会引入新噪声的二路观测信号,保证了系统的稳定性;再结合用小波系数改进的最大信噪比的ICA算法来实现,为增强的效果和提高信噪比提供了依据.实验结果分析表明,该算法是稳定的,且能有效地提高信噪比的值.      

基于独立分量分析的缺陷信号除噪

独立分量分析ICA是一项新兴的阵列信号处理方法,在简要介绍ICA概念和定点算法的基础上,将ICA的定点算法应用到缺陷信号除噪中。仿真试验结果表明,ICA的定点算法除噪效果优于传统的数字滤波器,它在缺陷信号除噪中具有较大的应用潜能。     

基于谱减的语音增强算法的改进

为降低噪声对语音通信的干扰,提出了一种基于谱减的语音增强算法的改进方法。根据噪声频谱的G auss统计模型修正语音增强过程中噪声频谱的估计方法,利用帧内、帧间约束估计每一个频点的先验信噪比,提出了一种简便的估计语音在每一个频点出现的概率的方法,得出了修正的语音增强算法。在白噪声以及坦克噪声环境中分别对算法的性能进行测试。实验结果表明:在几乎不损伤语音清晰度的前提下,该算法使“音乐噪声”得到了更好的抑制,同时信噪比提高了约8 dB以上。     

一种语音增强算法的研究

采用基于子空间的方法，对语音信号进行增强处理，该算法提供了在语音信号失真和残留噪声之间进行控制的机制。克服了以往语音增强算法中对语音信号的噪声特点的限制，可以对混有加性白噪声、有色噪声和音乐噪声的语音信号进行增强处理。     

基于L1范数重建的稳健独立成分分析

独立成分分析（independent component analysis,ICA）是一种混合信号处理与分离方法,能够从多维混合观测数据中分离出各个独立成分。目前,ICA已成功应用于特征提取、信号处理、模式识别等诸多领域。然而,由于实际问题的复杂性,可观测到的混合观测中往往含有噪声、异常点与缺失点,而标准ICA算法对这类数据往往不能有效处理。针对该问题,提出了一种基于L,范数重建的新思路。基本思路是将传统ICA模型中加入L1范数项重新建模,利用L,范数误差对噪声与缺失点的本质稳健性,提高模型应用普适性;进一步设计了针对该模型的有效求解算法。在混合人工信号分离、混合图像分离以及混合音频信号分离的实验证明中,所提算法能够显著提升瑚．有ICA方法对干会噪声、异常点与融央占耕棍的计篮稳健性.     

基于预处理VAD和自适应KLT的语音增强算法

针对加性有色噪声干扰，提出了一种单通道输入基于信号子空间的话音增强算法。算法中使用自适应的方法跟踪KLT(Karhunen—Loeve Transform)阵。运用一种近似模型来表述有色噪声的特性，并基于噪声平稳的假设，通过采用预处理技术的语音活动性检测(VAD：Voice Activity Detection)单元获取噪声样本，用于下一语音帧中噪声特性的估计和增强处理。实验表明，算法对于有色噪声干扰下的语音信号有较好的增强效果，并且性能优于改进减谱法。     

基于独立分量分析的心理作业诱发脑电特征增强

作者采用独立分量分析(Independent Component Analysis)方法对心理作业诱发的脑电信号进行了分析.研究表明,ICA能有效地从多路头皮脑电中分离出脑电信号的基本节律成分.通过对脑电独立源谱特征和ICA混合矩阵分析,可得到基本节律成分在头皮电极的能量分布情况,进而揭示心理作业与脑电特征的关系.     

基于CASA简化模型的语音增强算法

基于听觉现象分析（CASA）模型的基本原理,针对仅有非语音信号干扰情况下的单通道语音增强处理问题,利用人耳的频率掩蔽效应,提出了一种单通道简化CASA计算模型语音增强新算法,新算法通过提取混合语音输入中的有效语音时频成分并利用人耳的听觉掩蔽效应重构合成增强语音输出信号,通过在汽车噪声和白噪声干扰下的仿真实验结果表明,简化的CASA模型语音增强算法的输出信噪比约提高了10dB,且可以有效抑制干扰噪声的听觉影响,增强输出语音信号的可懂度。     

一种适用于双微阵列的语音增强算法研究

考虑到传统单通道语音增强算法对噪声抑制的局限性,本文采用由两个微型麦克风阵列组成的双微阵列,利用该阵列空间结构的时空域特性对含噪语音进行处理,提出了一种适用于双微阵列的语音增强算法。该增强算法是将各通道采集到的带噪语音信号先使用对数最小均方误差(Logarithmic Minimunm Mean Square Error,LogMMSE)提升其信噪比,然后利用频域宽带最小方差无畸变响应(MVDR)通过对目标声源信号的获取,保留目标声源方向的信号并抑制其他方向的信号干扰,最后通过一个改进可懂度结合改进最小控制递归平均(Improved Minimum Controlled Recursive Average Algorithm,IMCRA)噪声估计的维纳滤波器来去除噪声残留提升语音质量。仿真实验结果表明,相比传统的单通道语音增强算法,该算法具有良好的噪声抑制性能。