[發明專利]一種低復雜度的頻域盲分離方法及系統

有效

• 申請號: 201910207390.2
• 申請日: 2019-03-19
• 公開（公告）號: CN110010148B
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 康坊;楊飛然;楊軍
• 申請（專利權）人: 中國科學院聲學研究所
• 主分類號: G10L21/0272
• 分類號: G10L21/0272
• 代理公司: 北京方安思達知識產權代理有限公司 11472
• 代理人: 陳琳琳;楊青

本發明公開了一種低復雜度的頻域盲分離方法及系統，所述方法包括：獲取麥克風陣列采集的頻域分離信號；將當前頻點與前一個頻點的分離信號做相關性分析，完成每一個頻點的分離信號的局部排序；將局部排序后的每個頻點的分離信號與全局中心點做相關性分析，完成每一個頻點的分離信號的全局排序；對全局排序后的分離信號進行幅度調整；將調整后的分離信號進行傅里葉變換得到時域的分離信號。采用本發明的局部排序和全局排序相結合的方法能夠提高分離的準確性和穩健性，同時減少了排序過程的迭代次數，具有較低的計算復雜度。

技術領域

本發明涉及盲信號處理領域，特別涉及一種低復雜度的頻域盲分離方法及系統。

背景技術

盲源分離是在傳輸信道特性未知，輸入信息未知或者僅有少量先驗信息的情況下，從系統的輸出信號中分離或者估計源信號的波形。盲源分離根據信號混合方式，可以分為瞬時混合和卷積混合兩種情況，前者僅僅是簡單的線性疊加，迄今為止，線性瞬時混合盲分離算法是最成熟的一類盲分離算法；而卷積混合模型則需要考慮信源到麥克風之間的沖激響應。在很多實際應用中，例如房間中的聲信號分離是卷積混合模型，線性瞬時混合算法并不適用。如何解決卷積混合盲分離問題是一個具有挑戰性的問題。卷積混合盲分離算法可分為時域和頻域求解。由于時域算法計算復雜度高，收斂速度慢等缺點，更多的學者將問題轉化到頻域解決，將成熟的瞬時混合盲分離算法應用到頻域中，充分利用其優點，但是帶來的排序模糊問題卻直接影響分離結果。解決排序模糊性問題是頻域盲分離算法研究中最重要的問題之一。

針對排序模糊性問題，解決方法主要概括為三類：

第一類方法是利用聲源位置信息，采用波達方向(DOA)或者波達時間差(TDOA)的方法。這類方法通過分離矩陣估計方位角或者時延對分離聲源進行分類，在低混響情況以及聲源位置相距較遠時有較好的分離效果，但是當聲源位置靠近或者混響時間變長時，分離效果明顯下降。

第二類方法是對分離矩陣平滑處理，在頻域對相鄰頻點的分離矩陣進行加權平滑，從而來校正頻點間的分離矩陣。這類方法計算量小、原理簡單，但平滑后的分離矩陣與原分離矩陣有所差別，數值的改變影響分離效果。

第三類方法是利用頻間相關性對分離后的聲源進行排序調整，該類算法精確度高，要比前兩類算法更適用于聲源位置近以及混響嚴重的情況。但其缺點是當其中某一頻點排序出錯，可能會導致錯誤傳播到其他頻點，因此分離效果穩定性較差。

綜上所述，利用頻間相關性對分離后的聲源進行排序調整算法是一種有效的主流算法。但僅依賴于同一聲源相鄰頻點間的相關性高的特性進行分離時，某一頻點判斷有誤可能會引起后面頻點大面積的排列出錯，而且同一聲源不同頻點間相關性高的這一特性并不一直成立。當聲源為非平穩信號時，信號本身譜結構變化可能導致相鄰頻點的能量分布不同。此外前期分離過程中如果沒有將混合信號完全分離出來，此時的頻間相關性也會減弱。因此，如何有效地防止排序錯誤傳播，提高分離穩定性并盡可能的降低運算量成是一個重要的問題。

發明內容

本發明的目的在于解決上述問題，提出一種低復雜度的頻域盲分離方法，該方法在保證分離性能的同時加快排序方法的收斂速度，降低了計算復雜度。

為實現上述發明目的，本發明提出了一種低復雜度的頻域盲分離方法，所述方法包括：

獲取麥克風陣列采集的頻域分離信號；

將當前頻點與前一個頻點的分離信號做相關性分析，完成每一個頻點的分離信號的局部排序；

將局部排序后的每個頻點的分離信號與全局中心點做相關性分析，完成每一個頻點的分離信號的全局排序；

對全局排序后的分離信號進行幅度調整；

將調整后的分離信號進行傅里葉變換得到時域的分離信號。

作為上述方法的一種改進，所述方法具體包括：