解決頻域盲訊號分離的不明確問題

Solving the Ambiguity Problem in Frequency Domain Blind Source Separation

林美慧(Mei-Hui Lin)

指導教授 ： 王小川

國立清華大學/電機資訊學院/電機工程學系/碩士(2011年)

https://doi.org/10.6843/NTHU.2011.00570

摘要

本論文選擇在頻域上執行盲訊號分離，其系統具有較佳的效率。在頻域計算的優勢為可以在每個頻率柱（frequency bin）分離且獨立，但其代價為存在膨脹（scale ambiguity）和排列（permutation ambiguity）的不確定性。其不明確原因為本篇論文主要探討重點。運用獨立成份分析演算法達成盲訊號分離，使用二階統計量來分離混合訊號，導致了聯合對角化問題。採用聯合近似對角化演算法處理盲訊號分離問題時，混合訊號不必經過白色化和集中化的過程，可減少訊號在進行分離前因作前置處理而失真的可能性。由於頻域摺積混合的方式會存在膨脹及排列問題，因此本論文利用訊號包絡線（envelope）結構增加頻域的連結，並且應用分離矩陣和訊號相鄰頻帶的相關性解決上述不明確問題。實驗用三支麥克風在真實環境中錄製分別由三個喇叭播放的音檔，利用論文架構從混合聲音中分離出各自的音檔。結果證實於真實環境下多個訊號源的分離，其平均訊號干擾率比值有明顯進步，理論分析和實驗的結果都顯示了該方法的有效性，代表此方法可有效提升盲訊號分離的結果。

關鍵字

盲訊號分離 ； 獨立成份分析 ； 聯合對角化

參考文獻

[1] Te-Won Lee and Gil-Jin Jang. “The statistical structures of male and female speech signals.” ICASSP'01 Vol:1, Page:105-108 (2001)

[2] A. Hyvärinen and E. Oja, “A fast fixed-point algorithm for independent compo-nent analysis,” Neural Comput. Vol.9, No.7, pp. 1483-1492, 1997.

[3] Pau Bofill and Enric Monte. “Underdetermined convoluted source reconstruction using LP and SOCP, and a neural approximator of the optimizer.” ICA (2006)

[4] Jean-Francois Cardoso, “SOURCE SEPARATION USING HIGHER ORDER MOMENTS”, Icassp’89. pp. 2109-2112 (1998)

[5] A.J. Bell and T. J. Sejnowski, “An information-maximization approach to blind separation and blind deconvolution”, Neural Comput., vol. 7,pp. 1129–1159, (1995).