[发明专利]一种低复杂度的频域盲分离方法及系统

说明书

本发明公开了一种低复杂度的频域盲分离方法及系统，所述方法包括：获取麦克风阵列采集的频域分离信号；将当前频点与前一个频点的分离信号做相关性分析，完成每一个频点的分离信号的局部排序；将局部排序后的每个频点的分离信号与全局中心点做相关性分析，完成每一个频点的分离信号的全局排序；对全局排序后的分离信号进行幅度调整；将调整后的分离信号进行傅里叶变换得到时域的分离信号。采用本发明的局部排序和全局排序相结合的方法能够提高分离的准确性和稳健性，同时减少了排序过程的迭代次数，具有较低的计算复杂度。

技术领域

本发明涉及盲信号处理领域，特别涉及一种低复杂度的频域盲分离方法及系统。

背景技术

盲源分离是在传输信道特性未知，输入信息未知或者仅有少量先验信息的情况下，从系统的输出信号中分离或者估计源信号的波形。盲源分离根据信号混合方式，可以分为瞬时混合和卷积混合两种情况，前者仅仅是简单的线性叠加，迄今为止，线性瞬时混合盲分离算法是最成熟的一类盲分离算法；而卷积混合模型则需要考虑信源到麦克风之间的冲激响应。在很多实际应用中，例如房间中的声信号分离是卷积混合模型，线性瞬时混合算法并不适用。如何解决卷积混合盲分离问题是一个具有挑战性的问题。卷积混合盲分离算法可分为时域和频域求解。由于时域算法计算复杂度高，收敛速度慢等缺点，更多的学者将问题转化到频域解决，将成熟的瞬时混合盲分离算法应用到频域中，充分利用其优点，但是带来的排序模糊问题却直接影响分离结果。解决排序模糊性问题是频域盲分离算法研究中最重要的问题之一。

针对排序模糊性问题，解决方法主要概括为三类：

第一类方法是利用声源位置信息，采用波达方向(DOA)或者波达时间差(TDOA)的方法。这类方法通过分离矩阵估计方位角或者时延对分离声源进行分类，在低混响情况以及声源位置相距较远时有较好的分离效果，但是当声源位置靠近或者混响时间变长时，分离效果明显下降。

第二类方法是对分离矩阵平滑处理，在频域对相邻频点的分离矩阵进行加权平滑，从而来校正频点间的分离矩阵。这类方法计算量小、原理简单，但平滑后的分离矩阵与原分离矩阵有所差别，数值的改变影响分离效果。

第三类方法是利用频间相关性对分离后的声源进行排序调整，该类算法精确度高，要比前两类算法更适用于声源位置近以及混响严重的情况。但其缺点是当其中某一频点排序出错，可能会导致错误传播到其他频点，因此分离效果稳定性较差。

综上所述，利用频间相关性对分离后的声源进行排序调整算法是一种有效的主流算法。但仅依赖于同一声源相邻频点间的相关性高的特性进行分离时，某一频点判断有误可能会引起后面频点大面积的排列出错，而且同一声源不同频点间相关性高的这一特性并不一直成立。当声源为非平稳信号时，信号本身谱结构变化可能导致相邻频点的能量分布不同。此外前期分离过程中如果没有将混合信号完全分离出来，此时的频间相关性也会减弱。因此，如何有效地防止排序错误传播，提高分离稳定性并尽可能的降低运算量成是一个重要的问题。

发明内容

本发明的目的在于解决上述问题，提出一种低复杂度的频域盲分离方法，该方法在保证分离性能的同时加快排序方法的收敛速度，降低了计算复杂度。

为实现上述发明目的，本发明提出了一种低复杂度的频域盲分离方法，所述方法包括：

获取麦克风阵列采集的频域分离信号；

将当前频点与前一个频点的分离信号做相关性分析，完成每一个频点的分离信号的局部排序；

将局部排序后的每个频点的分离信号与全局中心点做相关性分析，完成每一个频点的分离信号的全局排序；

对全局排序后的分离信号进行幅度调整；

将调整后的分离信号进行傅里叶变换得到时域的分离信号。

作为上述方法的一种改进，所述方法具体包括：