基于独立分量分析的语音信号盲源分离

独立分量分析（Independent Component Analysis，ICA）算法的研究可分为两类：基于信息论准则的迭代估计方法和基于统计的代数方法。原则上，它们都利用了源信号的独立性和非高斯特性。在基于信息论的方法研究中，各国学者从最大熵、最小互信息、最大似然和负熵最大化等角度提出了一系列估计算法。在信号处理中，ICA是一种用于将多个信号分离为附加子分量的计算方法。这是通过假设子分量是非高斯信号并且在统计上彼此独立来实现的。ICA是盲源分离的一种特殊情况。下面是三路语音信号的盲源分离实验。

1. 加载音频信号

fs = 8000; % 输入音频采样率
[s1,fs]=audioread('source1.wav');
[s2,fs]=audioread('source2.wav');
[s3,fs]=audioread('source3.wav');

2. 盲源分离

A = randomMixingMatrix(3,3);% 混合矩阵
Zmixed = normalizeAudio(A*[s1,s2,s3]');
t=(0:size(Zmixed,2)-1)/fs;
r=3;
Zica = normalizeAudio(fastICA(Zmixed,r,'negentropy'));

3. 画原始的三路语音信号时域波形图

%%
figure;
subplot 311;plot(t,s1,'Color',[1 0 0]);title('原始信号')
subplot 312;plot(t,s2,'Color',[0 1 0]);title('原始信号')
subplot 313;plot(t,s3,'Color',[0 0 1]);title('原始信号')

 图1 原始的三路语音信号时域波形图

4. 画盲源分离后的三路语音信号时域波形图

figure;
subplot 311;plot(t,Zica(1,:),'Color',[1 0 0]);title('恢复的信号')
subplot 312;plot(t,Zica(2,:),'Color',[0 0 1]);title('恢复的信号')
subplot 313;plot(t,Zica(3,:),'Color',[0 1 0]);title('恢复的信号')

 图2 盲源分离后的三路语音信号时域波形图