CN112349292B - 信号分离方法和装置、计算机可读存储介质、电子设备 - Google Patents
信号分离方法和装置、计算机可读存储介质、电子设备 Download PDFInfo
- Publication number
- CN112349292B CN112349292B CN202011203180.5A CN202011203180A CN112349292B CN 112349292 B CN112349292 B CN 112349292B CN 202011203180 A CN202011203180 A CN 202011203180A CN 112349292 B CN112349292 B CN 112349292B
- Authority
- CN
- China
- Prior art keywords
- signals
- signal
- observation
- sound source
- positions
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000926 separation method Methods 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000005236 sound signal Effects 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 19
- 238000003491 array Methods 0.000 claims description 12
- 230000001629 suppression Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0272—Voice signal separating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
- G10L19/26—Pre-filtering or post-filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computational Mathematics (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本公开实施例公开了一种信号分离方法和装置、计算机可读存储介质、电子设备，其中，方法包括：基于分布式设置的传声器设备采集设定空间中多个位置的声音信号，获得多个观测信号；利用盲源分离滤波器对观测信号进行滤波，获得估计的多个位置的频域声源信号；对估计的多个位置的频域声源信号中分别加入对应的引导信号，获得多个声源信号模型；基于多个声源信号模型更新盲源分离滤波器，获得更新后的盲源分离滤波器，基于更新后的盲源分离滤波器确定多个位置中每个位置对应的源信号，本实施例中在信号分离中引入作为引导成分的引导信号，有效提升了分离性能，实现了在超定场景下仍可将同一位置的声源信号分离到一个输出通道中。
Description
技术领域
本公开涉及信号分离技术，尤其是一种信号分离方法和装置、计算机可读存储介质、电子设备。
背景技术
盲源分离，又称为盲信号分离，是指在信号的理论模型和源信号无法精确获知的情况下，如何从混迭信号(观测信号)中分离出各观测信号的过程。但是，盲源分离算法在处理超定场景(即传声器数目大于声源数目)下的传声器阵列数据时，经常会出现将同一个声源中不同频率的信号分离到不同的输出通道中。
发明内容
为了解决上述技术问题，提出了本公开。本公开的实施例提供了一种信号分离方法和装置、计算机可读存储介质、电子设备。
根据本公开实施例的一个方面，提供了一种信号分离方法，包括：
基于分布式设置的传声器设备采集设定空间中多个位置的声音信号，获得多个观测信号；其中，每个所述位置对应一个观测信号；
利用盲源分离滤波器对观测信号进行滤波，获得估计的多个位置的频域声源信号；
对所述估计的多个位置的频域声源信号中分别加入对应的引导信号，获得多个声源信号模型；
基于所述多个声源信号模型更新所述盲源分离滤波器，获得更新后的盲源分离滤波器，基于所述更新后的盲源分离滤波器确定所述多个位置中每个位置对应的源信号。
根据本公开实施例的另一方面，提供了一种信号分离装置，包括：
观测信号采集模块，用于基于分布式设置的传声器阵列或传声器阵列网络采集设定空间中多个位置的声音信号，获得多个观测信号；其中，每个所述位置对应一个观测信号；
模型更新模块，用于利用盲源分离滤波器对所述观测信号采集模块获得的观测信号进行滤波，获得估计多个位置的频域声源信号，以及对所述估计的频域声源信号中分别加入对应的引导信号，获得多个声源信号模型；
信号分离模块，用于基于所述模型更新模块获得的多个更新所述盲源分离滤波器，获得更新后的盲源分离滤波器，基于所述更新后的盲源分离滤波器确定所述多个位置中每个位置对应的源信号。
根据本公开实施例的又一方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述实施例所述的信号分离方法。
根据本公开实施例的还一方面，提供了一种电子设备，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述实施例所述的信号分离方法。
基于本公开上述实施例提供的一种信号分离方法和装置、计算机可读存储介质、电子设备，在信号分离中引入作为引导成分的引导信号，有效提升了分离性能，解决了在超定场景下同一声源不同频率信号被分离到不同输出通道的问题，实现了在超定场景下仍可将同一位置的声源信号分离到一个输出通道中。
下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是本公开一示例性实施例提供的信号分离系统的结构示意图。
图2是本公开另一示例性实施例提供的信号分离系统的结构示意图。
图3是本公开一示例性实施例提供的信号分离方法的流程示意图。
图4是本公开另一示例性实施例提供的信号分离方法的流程示意图。
图5是本公开图4所示的实施例中步骤403的一个流程示意图。
图6是本公开又一示例性实施例提供的信号分离方法的流程示意图。
图7是本公开图3所示的实施例中步骤304的一个流程示意图。
图8是本公开一示例性实施例提供的信号分离装置的流程示意图。
图9是本公开另一示例性实施例提供的信号分离装置的流程示意图。
图10是本公开一示例性实施例提供的电子设备的结构图。
具体实施方式
下面，将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。
还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
申请概述
在实现本公开的过程中，发明人发现，现有技术中处理超定场景下的声源分离，通常采用已知声源数目的先验信息，基于信号子空间与噪声子空间的正交性，降低待估参数的维度的方式，但该现有技术至少存在以下问题：需要获取声源数目的先验信息，而实际应用场景中很难直接获得声源的数目。
示例性系统
本公开实施例中涉及到盲源分离算法，在现有技术中，盲源分离算法的代价函数可以表示为：
其中，W(k)为第k个频点的分离模型；Yn表示第n个声源的分离信号；G(Yn)为对照函数，其表示log q(Yn)，q(Yn)是第n个声源的概率密度分布。基于独立向量分析的盲源分离算法，对于第n个声源信号，
其使用的Laplace模型可以表示为以下公式(3)所示：
其中，α是归一化因子。
使用基于自然梯度的独立向量分析方法求解公式(1)，第k个频点的分离滤波器W(k)的更新可以表示为：
Yi (K)＝Wi (k)X(k) 公式(5)
Δwi (k)＝(E[Φ(Yi (k))(Yi (k))H]-I)Wi (k) 公式(6)
其中，X(k)是传声器阵列接收到的第k个频点的信号，Y(k)是估计出来的第k个频点的声源信号，i是迭代索引，I是单位矩阵，η是步长。Φ(Yi (k))是声源概率密度分布相关的非线性函数，可以表示为以下公式(7)所示：
公式(7)的分母由盲源分离算法估计出的声源信号组成，当估计出来的Ym与声源信号Sn差别较大时，分离滤波器的更新可能会落入局部最优。
以上公式(1)-(7)为现有技术，本公开实施例在上述现有技术的基础上进行了改进，在声源概率分布中引入声源相关的引导成分，约束分离滤波向着最优解附近进行更新，对于第n个声源，加入引导成分后的源信号可以从公式(2)改进表示以下公式(8)所示：
其中，Pn为源信号，γPn为引导成分，公式(8)对应的Laplace模型(声源信号的分布模型)可以表示为以下公式(9)：
根据公式(9)，加入引导成分后的非线性函数可以表示为以下公式(10)：
其中，γ是用来调整引导成分强弱的参数。
为更好的调整引导成分对盲源分离滤波器更新的影响，公式(10)可以调整为以下公式(11)：
其中，0≤β≤1。当β较小时，引导成分对盲源分离滤波器更新影响较小，分离滤波器收敛结果与标准盲源分离算法接近，当β较大时，此时滤波器收敛方向主要由引导成分控制。
理想情况下，β＝1时，
此时盲源分离算法收敛效果最好，其中为第n个声源k个频率下的信号。实际场景下，盲源分离的目的是从观测信号X中分离出源信号S，S是无法直接获得的。基于机器学习和多模信息，可从传声器采集的信号中估计Pn，但是此方法只适用于声源为语音信号，干扰均假定为非语音信号的情况。
图1是本公开一示例性实施例提供的信号分离系统的结构示意图。如图1所示，其中NS表示噪声抑制单元，主要用来抑制非语音信号，BSS表示盲源分离滤波器。在分布式会议系统或车载领域，声源间距较大，此时使用指向性传声器单元指向每一个可能的说话人方向，传声器阵列接收到的信号有较大的区分性。将指向性传声器单元接收到的信号，经过NS单元抑制非语音信号，将NS输出信号作为引导成分，即
其中，Dn为经过NS处理后的信号。每个指向性传声器单元均增强一个特定说话人的信息，因此Pn的主要成分是第n个声源的声音信号，此时每个盲源分离滤波器受到引导成分的约束，使得对应的输出Yn由第n个声源信号组成。当处于超定场景时，正在发声的说话人对应的Pn，主要成分由该说话人的声音信号组成，分离信号受到引导成分的约束，分离后单个声源不同频率的信号会被分离到同一个输出通道；不发声的说话人对应的Dn，主要由其余说话人传播过来的声音组成，由于传声器单元具有指向性，此时Dn的值较小，分离信号不受引导成分的影响。
图2是本公开另一示例性实施例提供的信号分离系统的结构示意图。如图2所示，其中BF表示波束形成算法，分布式传声器阵列网络由多个小型传声器阵列组成，先使用小型传声器阵列增强可能说话人的声音，再将增强后的信号送给BSS和NS，其余部分处理流程与基于指向性传声器阵列的盲源分离方法一致。
示例性方法
图3是本公开一示例性实施例提供的信号分离方法的流程示意图。本实施例可应用在电子设备上，如图3所示，包括如下步骤：
步骤301，基于分布式设置的传声器设备采集设定空间中多个位置的声音信号，获得多个观测信号。
其中，分布式设置是是将多个传声器设备分开设置在设定空间中的不同位置，例如，在车内的4个车门上方的手拉把手附近，以实现更好的采集每个乘客的声音信号；设定空间是指例如车辆或会议室等具有边界的空间；多个位置中的每个位置对应一个观测信号。
可选地，传声器设备可以是麦克风或麦克风阵列等设备，麦克风阵列是由一定数目的麦克风组成，对声场的空间特性进行采样并滤波的系统；其中，观测信号是通过传声器设备接收到的未经处理的信号。
步骤302，利用盲源分离滤波器对观测信号进行滤波，获得估计的多个位置的频域声源信号。
其中，盲源分离滤波器是利用盲源分离技术的滤波器，盲源分离技术(BlindSource Separation)，是研究在未知系统的传递函数、源信号的混合系数及其概率分布的情况下，利用源信号之间相互独立这一微弱已知条件，从一组传感器测量所得的混合信号中分离出独立源信号的一种技术。
步骤303，对估计的多个位置的频域声源信号中分别加入对应的引导信号，获得多个声源信号模型。
可选地，引导信号是基于观测信号确定的，基于频域声源信号可建立声源信号模型，本实施例通过将引导信号添加到盲源分离得到的频域声源信号中，以添加了引导信号的频域声源信号进行建模，获得了相对基于未加入引导信号的频域声源信号建立的声音信号模型而言更新的声音信号模型。
步骤304，基于多个声源信号模型更新盲源分离滤波器，获得更新后的盲源分离滤波器，基于更新后的盲源分离滤波器确定多个位置中每个位置对应的源信号。
可选地，声源信号模型是声源信号的概率密度分布模型，用于体现声源信号的概率密度分布情况，例如，如图1所示的实施例中的公式9所示；基于获得的更新的声源信号模型对盲源分离滤波器进行更新，得到更新后的盲源分离滤波器，本实施例中以更新后的盲源分离滤波器对源信号进行分离，由于加入了引导成分，分离效果更好。
本公开上述实施例提供的信号分离方法，在信号分离中引入作为引导成分的引导信号，有效提升了分离性能，解决了在超定场景下同一声源不同频率信号被分离到不同输出通道的问题，实现了在超定场景下仍可将同一位置的声源信号分离到一个输出通道中。
图4是本公开另一示例性实施例提供的信号分离方法的流程示意图。如图4所示，该实施例方法包括：
步骤401，基于分布式设置的传声器设备采集设定空间中多个位置的声音信号，获得多个观测信号。
其中，每个位置对应一个观测信号。
该步骤的实现的过程和实现的效果与上述图3所示实施例的步骤301类似，在此不再赘述。
步骤402，利用盲源分离滤波器对观测信号进行滤波，获得估计的多个位置的频域声源信号。
该步骤的实现的过程和实现的效果与上述图3所示实施例的步骤302类似，在此不再赘述。
步骤403，分别对多个观测信号中的每个观测信号进行处理，得到多个引导信号。
其中，每个引导信号对应一个观测信号。
可选地，确定引导信号的方式，可参照上述公式(12)提供的在理想情况下，β＝1时，根据公式(12)可知，此时盲源分离算法收敛效果最好，其中为第n个声源k个频率下的信号(对应本实施例中的观测信号，第n个观测信号对应第n个引导信号)，通过公式(12)可确定源信号Pn，此时只需获得调整引导成分强弱的参数γ(该参数的取值可根据经验值确定，或根据实际场景进行设定等)，即可确定引导成分γPn。
步骤404，对估计的多个位置的频域声源信号中分别加入对应的引导信号，获得多个声源信号模型。
本实施例中引导信号是添加在盲源分离输出信号中，用来对声源信号进行建模的，建模得到声源信号模型。
步骤405，基于多个声源信号模型更新盲源分离滤波器，获得更新后的盲源分离滤波器，基于更新后的盲源分离滤波器确定多个位置中每个位置对应的源信号。
该步骤的实现的过程和实现的效果与上述图3所示实施例的步骤304类似，在此不再赘述。
本实施例通过以观测信号经过处理获得引导信号，使基于加入引导信号而建模得到的声源信号模型获得的盲源分离滤波器的收敛效果较好。
如图5所示，在上述图4所示实施例的基础上，步骤403可包括如下步骤：
步骤4031，分别对多个观测信号中的每个观测信号进行噪声抑制处理，抑制每个观测信号中的非语音信号，得到噪声抑制后的观测信号。
可选地，本实施例中得到的噪声抑制后的观测信号可对应上述公式(13)中的
步骤4032，基于多个噪声抑制后的观测信号，确定多个引导信号。
观测信号是通过传声器设备采集直接获得的信号，在声源间距较大的场景下，例如：分布式会议系统或车载领域，使用指向性传声器阵列指向每一个可能的说话人方向，此时传声器阵列接收到的信号有较大的区分性，但对于分离源信号较为困难，本公开实施例通过将指向性传声器单元接收到的观测信号，经过噪声抑制(NS)单元抑制非语音信号，将噪声抑制单元输出的信号作为引导成分，通过加入引导成分，提高了源信号的分类效果。
图6是本公开又一示例性实施例提供的信号分离方法的流程示意图。如图6所示，该实施例方法包括：
步骤601，基于分布式设置的传声器设备采集设定空间中多个位置的声音信号，获得多个观测信号。
该步骤的实现的过程和实现的效果与上述图3所示实施例的步骤301类似，在此不再赘述。
步骤602，将观测信号从时域转换为频域，获得频域观测信号。
其中，频域观测信号为多个元素的向量，向量中的每个元素分别对应观测信号转换后在一个频点对应的信号。
步骤603，利用盲源分离滤波器对观测信号进行滤波，获得估计的多个位置的频域声源信号。
该步骤的实现的过程和实现的效果与上述图3所示实施例的步骤302类似，在此不再赘述。
步骤604，对估计的多个位置的频域声源信号中分别加入对应的引导信号，获得多个声源信号模型。
该步骤的实现的过程和实现的效果与上述图3所示实施例的步骤303类似，在此不再赘述。
步骤605，基于多个声源信号模型更新盲源分离滤波器，获得更新后的盲源分离滤波器，基于更新后的盲源分离滤波器确定多个位置中每个位置对应的源信号。
该步骤的实现的过程和实现的效果与上述图3所示实施例的步骤304类似，在此不再赘述。
传声器设备直接采集的信号通常是时域信号，本实施例中通过将观测信号从时域转换到频域，得到频域观测信号；转换后的频域观测信号可对应上述公式(2)，公式(2)所示的向量中的每个元素表示一个频点上的信号，其中，n表示第n个声源，k表示第k个频点，由于盲源分离滤波器的输出是频域声源信号，本实施例通过在输入盲源分离滤波器之前将观测信号从时域转换到频域，实现利用盲源分离滤波器对频域观测信号进行滤波，提高了盲源分离滤波器的处理效率，加快了滤波速度。
可选地，在如图6所示的实施例的基础上，步骤604可包括：
对多个位置中的每个位置对应的观测信号，将观测信号对应的引导信号作为一个元素添加到估计的频域声源信号中，构成元素数量增加后的多个声源信号模型。
本实施例中频域声源信号表现为向量格式，由于上述图6所示实施例中频域观测信号表达为公式(2)所示，本实施例中在公式(2)的基础上在增加了引导信号作为一个元素，得到如上述公式(8)所示的声源信号表达，基于添加了引导信号的频域声源信号可得到如公式(9)所示的声源信号模型，实现了以加入引导成分的声源信号模型对盲源分离滤波器进行更新。
在上述实施例的基础上，可选地，步骤303或404或604还可包括：
将观测信号对应的引导信号通过强弱参数变更大小后，作为一个元素添加到估计的频域声源信号中，构成元素数量增加后的多个声源信号模型。
如上述公式(8)所示，在添加引导成分到频域观测信号中时，并不是直接将源信号Pn作为一个元素，而是通过调整引导成分强弱的参数γ对源信号进行大小调整后作为频域声源信号的一个元素，其中参数γ的取值，可参照公式(11)可知，在β＝1时得到声源信号模型更新得到的盲源分离滤波器的收敛效果最好，基于公式(10)和(11)，可确定γ与β之间的关系，即可确定参数γ的取值，以获得收敛效果较好的盲源分离滤波器。
在一些可选的实施例中，步骤301可包括：
对设定空间包括的多个位置中的每个位置，基于指向性传声器阵列中的所有传声器采集位置的声音信号，获得位置对应的观测信号；
其中，指向性是传声器(例如，话筒)对来自空间各个方向声音灵敏度模式的一个描述，指向性传声器指的是传声器具有一定的指向性，只接收设定方向的信号，相对而言其他方向的信号会有一定衰减；例如，只接收正前方的信号，其他方向的信号会有一定的衰减。
或者，基于传声器阵列网络中的所有传声器阵列采集位置的声音信号，获得位置对应的观测信号。
其中，传声设备包括指向性传声器阵列或传声器阵列网络，指向性传声器阵列包括多个传声器，传声器阵列网络包括多个传声器阵列，并且，传声器阵列网络中包括的传声器不是指向性传声器。
本实施例中的两种获取观测信号的方式，可对应上述图1和图2提供的两个实施例，其中，图1所示实施例对应采用指向性传声器阵列的情况，通过阵列中的每个传声器获得时域的观测信号X1、X2…XM，经过时频域转换得到如公式(2)所示的频域观测信号，经过噪声抑制(NS)单元抑制非语音信号，将噪声抑制单元输出的信号作为引导成分输入盲源分离滤波器(BSS)，最后由盲源分离滤波器输出分离得到的对应每个位置的源信号，本实施例有效提升超定场景下的分离性能，相比于基于机器学习获得引导成分的方法，使用指向性传声器阵列性能稳定，可实时处理，具有重要的实用价值。具体地，本公开实施例可应用于车载以及分布式会议系统等场景。
图2所示实施例中分布式传声器阵列网络由多个小型传声器阵列组成，每个小型传声器阵列增强一个可能说话人的声音信息，将传声器阵列的输出作为盲源分离算法的输入，每个传声器阵列网络连接一个波束形成模块(BF)，将每个小型传声器阵列得到的信号经过波束形成算法的计算确定为一个观测信号，多个小型传声器阵列得到时域的观测信号X1、X2…XM，其余部分与图1实施例相同，采用传声器阵列网络进行信号分离时，由于先使用小型传声器阵列增强可能说话人的声音，再将增强后的信号送给BSS和NS，通过引导成分约束盲源分离算法将同一声源的分离信号分配到同一个通道，进一步提高了信号分离的效果。
如图7所示，在上述图3所示实施例的基础上，步骤304可包括如下步骤：
步骤3041，基于多个声源信号模型更新盲源分离滤波器，获得更新后的盲源分离滤波器。
步骤3042，基于更新后的盲源分离滤波器分别对多个观测信号进行盲源信号分离处理，确定观测信号在传声器阵列中对应的输出通道，或确定观测信号在传声器网络中对应的输出通道。
步骤3043，基于确定的传声器阵列的输出通道或传声器网络的输出通道获得每个位置对应的源信号。
可选地，盲源分离滤波器进行盲源信号分离的具体过程，可参照上述公式(1)-(7)提供的过程进行理解，上述过程仅作为本领域技术人员可以实现的一种盲源分离的示例方式，不用于限制本公开实施例具体实现盲源分离的方式，本实施例利用更新后的盲源分离滤波器对传声器阵列或传声器网络输出的信号进行分离，确定每个位置对应的源信号，由于盲源分离滤波器是经过加入引导信号的观测信号更新的，收敛效果更好，通过引导成分约束盲源分离滤波器将同一声源的分离信号分配到同一个通道，分离效果更好。
本公开实施例提供的任一种信号分离方法可以由任意适当的具有数据处理能力的设备执行，包括但不限于：终端设备和服务器等。或者，本公开实施例提供的任一种信号分离方法可以由处理器执行，如处理器通过调用存储器存储的相应指令来执行本公开实施例提及的任一种信号分离方法。下文不再赘述。
示例性装置
图8是本公开一示例性实施例提供的信号分离装置的流程示意图。如图8所示，本公开实施例提供的装置包括：
观测信号采集模块81，用于基于分布式设置的传声器阵列或传声器阵列网络采集设定空间中多个位置的声音信号，获得多个观测信号。
其中，每个位置对应一个观测信号。
模型更新模块82，用于利用盲源分离滤波器对观测信号采集模块81获得的观测信号进行滤波，获得估计多个位置的频域声源信号，以及对估计的频域声源信号中分别加入对应的引导信号，获得多个声源信号模型。
信号分离模块83，用于基于模型更新模块82获得的多个更新盲源分离滤波器，获得更新后的盲源分离滤波器，基于更新后的盲源分离滤波器确定多个位置中每个位置对应的源信号。
本公开上述实施例提供的信号分离装置，在信号分离中引入作为引导成分的引导信号，有效提升了分离性能，解决了在超定场景下同一声源不同频率信号被分离到不同输出通道的问题，实现了在超定场景下仍可将同一位置的声源信号分离到一个输出通道中。
图9是本公开另一示例性实施例提供的信号分离装置的流程示意图。如图9所示，本公开实施例提供的装置包括：
模型更新模块82，还用于分别对多个观测信号中的每个观测信号进行处理，得到多个引导信号。
其中，每个引导信号对应一个观测信号。
本实施例中，观测信号采集模块81，包括：
噪声抑制单元811，用于分别对多个观测信号中的每个观测信号进行噪声抑制处理，抑制每个观测信号中的非语音信号，得到噪声抑制后的观测信号。
引导确定单元812，用于基于多个噪声抑制后的观测信号，确定多个引导信号。
本实施例中，观测信号为时域信号；在模型更新模块82之前，还包括：
时频域转换单元91，用于将观测信号从时域转换为频域，获得频域观测信号。
其中，频域观测信号为多个元素的向量，向量中的每个元素分别对应观测信号转换后在一个频点对应的信号。
模型更新模块82，具体用于对多个位置中的每个位置对应的观测信号，将观测信号对应的引导信号作为一个元素添加到估计的频域声源信号中，构成元素数量增加后的多个声源信号模型。
模型更新模块82，还用于将观测信号对应的引导信号通过强弱参数变更大小后，作为一个元素添加到估计的频域声源信号中，构成元素数量增加后的多个声源信号模型。
观测信号采集模块81，具体用于对设定空间包括的多个位置中的每个位置，基于指向性传声器阵列中的所有传声器采集位置的声音信号，获得位置对应的观测信号；或者，基于传声器阵列网络中的所有传声器阵列采集位置的声音信号，获得位置对应的观测信号。
其中，传声设备包括指向性传声器阵列或传声器阵列网络，指向性传声器阵列包括多个传声器，传声器阵列网络包括多个传声器阵列。
信号分离模块83，包括：
滤波器更新单元831，用于基于多个声源信号模型更新盲源分离滤波器，获得更新后的盲源分离滤波器。
盲源分离单元832，用于基于更新后的盲源分离滤波器分别对多个观测信号进行盲源信号分离处理，确定观测信号在传声器阵列中对应的输出通道，或确定观测信号在传声器网络中对应的输出通道。
源信号确定单元833，用于基于确定的传声器阵列的输出通道或传声器网络的输出通道获得每个位置对应的源信号。
示例性电子设备
下面，参考图10来描述根据本公开实施例的电子设备。该电子设备可以是第一设备100和第二设备200中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。
图10图示了根据本公开实施例的电子设备的框图。
如图10所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本公开的各个实施例的信号分离方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如，在该电子设备是第一设备100或第二设备200时，该输入装置13可以是上述的麦克风或麦克风阵列，用于捕捉声源的输入信号。在该电子设备是单机设备时，该输入装置13可以是通信网络连接器，用于从第一设备100和第二设备200接收所采集的输入信号。
此外，该输入设备13还可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出设备14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图10中仅示出了该电子设备10中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的信号分离方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的信号分离方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种信号分离方法，包括：
基于分布式设置的传声器设备采集设定空间中多个位置的声音信号，获得多个观测信号；其中，每个所述位置对应一个观测信号；
利用盲源分离滤波器对观测信号进行滤波，获得估计的多个位置的频域声源信号；
对所述估计的多个位置的频域声源信号中分别加入对应的引导信号，获得多个声源信号模型；其中，所述引导信号是基于所述观测信号确定的；
基于所述多个声源信号模型更新所述盲源分离滤波器，获得更新后的盲源分离滤波器，基于所述更新后的盲源分离滤波器确定所述多个位置中每个位置对应的源信号。
2.根据权利要求1所述的方法，在对所述估计的多个位置的频域声源信号中分别加入对应的引导信号，获得多个声源信号模型之前，还包括：
分别对所述多个观测信号中的每个观测信号进行处理，得到多个引导信号；其中，每个所述引导信号对应一个观测信号。
3.根据权利要求2所述的方法，其中，所述分别对所述多个观测信号中的每个观测信号进行处理，得到多个引导信号，包括：
分别对所述多个观测信号中的每个观测信号进行噪声抑制处理，抑制所述每个观测信号中的非语音信号，得到噪声抑制后的观测信号；
基于所述多个噪声抑制后的观测信号，确定多个所述引导信号。
4.根据权利要求1-3任一所述的方法，其中，所述观测信号为时域信号；
在利用盲源分离滤波器对观测信号进行滤波，获得估计的多个位置的频域声源信号之前，还包括：
将所述观测信号从时域转换为频域，获得频域观测信号；所述频域观测信号为多个元素的向量，所述向量中的每个元素分别对应所述观测信号转换后在一个频点对应的信号。
5.根据权利要求4所述的方法，其中，所述对所述估计的多个位置的频域声源信号中分别加入对应的引导信号，获得多个声源信号模型，包括：
对所述多个位置中的每个位置对应的观测信号，将所述观测信号对应的引导信号作为一个元素添加到所述估计的频域声源信号中，构成元素数量增加后的所述多个声源信号模型。
6.根据权利要求1所述的方法，其中，所述传声设备包括指向性传声器阵列或传声器阵列网络，所述指向性传声器阵列包括多个传声器，所述传声器阵列网络包括多个传声器阵列；
所述基于分布式设置的传声设备采集设定空间中多个位置的声音信号，获得多个观测信号，包括：
对所述设定空间包括的多个位置中的每个位置，基于所述指向性传声器阵列中的所有传声器采集所述位置的声音信号，获得所述位置对应的观测信号；
或者，基于所述传声器阵列网络中的所有传声器阵列采集所述位置的声音信号，获得所述位置对应的观测信号。
7.根据权利要求6所述的方法，其中，所述基于所述多个声源信号模型更新所述盲源分离滤波器，获得更新后的盲源分离滤波器，基于所述更新后的盲源分离滤波器确定所述多个位置中每个位置对应的源信号，包括：
基于所述多个声源信号模型更新所述盲源分离滤波器，获得更新后的盲源分离滤波器；
基于所述更新后的盲源分离滤波器分别对所述多个观测信号进行盲源信号分离处理，确定所述观测信号在所述传声器阵列中对应的输出通道，或确定所述观测信号在所述传声器网络中对应的输出通道；
基于所述确定的传声器阵列的输出通道或传声器网络的输出通道获得所述每个位置对应的源信号。
8.一种信号分离装置，包括：
观测信号采集模块，用于基于分布式设置的传声器阵列或传声器阵列网络采集设定空间中多个位置的声音信号，获得多个观测信号；其中，每个所述位置对应一个观测信号；
模型更新模块，用于利用盲源分离滤波器对所述观测信号采集模块获得的观测信号进行滤波，获得估计多个位置的频域声源信号，以及对所述估计的频域声源信号中分别加入对应的引导信号，获得多个声源信号模型；其中，所述引导信号是基于所述观测信号确定的；
信号分离模块，用于基于所述模型更新模块获得的多个更新所述盲源分离滤波器，获得更新后的盲源分离滤波器，基于所述更新后的盲源分离滤波器确定所述多个位置中每个位置对应的源信号。
9.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-7任一所述的信号分离方法。
10.一种电子设备，所述电子设备包括：
处理器；用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-7任一所述的信号分离方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011203180.5A CN112349292B (zh) | 2020-11-02 | 2020-11-02 | 信号分离方法和装置、计算机可读存储介质、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011203180.5A CN112349292B (zh) | 2020-11-02 | 2020-11-02 | 信号分离方法和装置、计算机可读存储介质、电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112349292A CN112349292A (zh) | 2021-02-09 |
| CN112349292B true CN112349292B (zh) | 2024-04-19 |
Family
ID=74356027
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011203180.5A Active CN112349292B (zh) | 2020-11-02 | 2020-11-02 | 信号分离方法和装置、计算机可读存储介质、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112349292B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113380267B (zh) * | 2021-04-30 | 2024-04-19 | 深圳地平线机器人科技有限公司 | 对音区进行定位的方法、装置、存储介质及电子设备 |
| CN113362847A (zh) * | 2021-05-26 | 2021-09-07 | 北京小米移动软件有限公司 | 音频信号处理方法及装置、存储介质 |
| CN113783813B (zh) * | 2021-11-11 | 2022-02-08 | 煤炭科学技术研究院有限公司 | 5g通信信号干扰的处理方法、装置、电子设备及存储介质 |
| CN114220454B (zh) * | 2022-01-25 | 2022-12-09 | 北京荣耀终端有限公司 | 一种音频降噪方法、介质和电子设备 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007033804A (ja) * | 2005-07-26 | 2007-02-08 | Kobe Steel Ltd | 音源分離装置，音源分離プログラム及び音源分離方法 |
| CN102592607A (zh) * | 2012-03-30 | 2012-07-18 | 北京交通大学 | 一种使用盲语音分离的语音转换系统和方法 |
| CN104009948A (zh) * | 2014-05-12 | 2014-08-27 | 南京信息工程大学 | 一种基于改进人工蜂群算法的盲源分离方法 |
| CN104167214A (zh) * | 2014-08-20 | 2014-11-26 | 电子科技大学 | 一种双麦克风盲声源分离的快速源信号重建方法 |
| US9668066B1 (en) * | 2015-04-03 | 2017-05-30 | Cedar Audio Ltd. | Blind source separation systems |
| CN106887238A (zh) * | 2017-03-01 | 2017-06-23 | 中国科学院上海微系统与信息技术研究所 | 一种基于改进独立向量分析算法的声信号盲分离方法 |
| CN107293305A (zh) * | 2017-06-21 | 2017-10-24 | 惠州Tcl移动通信有限公司 | 一种基于盲源分离算法改善录音质量的方法及其装置 |
| CN109086686A (zh) * | 2018-07-12 | 2018-12-25 | 西安电子科技大学 | 基于自适应动量因子的时变信道下的盲源分离方法 |
| CN109520496A (zh) * | 2018-09-28 | 2019-03-26 | 天津大学 | 一种基于盲源分离方法的惯性导航传感器数据去噪方法 |
| CN109946085A (zh) * | 2019-03-24 | 2019-06-28 | 西安航天动力测控技术研究所 | 一种固体火箭发动机振动信号声振降噪的方法 |
| CN110890098A (zh) * | 2018-09-07 | 2020-03-17 | 南京地平线机器人技术有限公司 | 盲信号分离方法、装置和电子设备 |
| CN111415676A (zh) * | 2020-03-10 | 2020-07-14 | 山东大学 | 一种基于分离矩阵初始化频点选择的盲源分离方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170178664A1 (en) * | 2014-04-11 | 2017-06-22 | Analog Devices, Inc. | Apparatus, systems and methods for providing cloud based blind source separation services |
| US10269369B2 (en) * | 2017-05-31 | 2019-04-23 | Apple Inc. | System and method of noise reduction for a mobile device |
-
2020
- 2020-11-02 CN CN202011203180.5A patent/CN112349292B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007033804A (ja) * | 2005-07-26 | 2007-02-08 | Kobe Steel Ltd | 音源分離装置，音源分離プログラム及び音源分離方法 |
| CN102592607A (zh) * | 2012-03-30 | 2012-07-18 | 北京交通大学 | 一种使用盲语音分离的语音转换系统和方法 |
| CN104009948A (zh) * | 2014-05-12 | 2014-08-27 | 南京信息工程大学 | 一种基于改进人工蜂群算法的盲源分离方法 |
| CN104167214A (zh) * | 2014-08-20 | 2014-11-26 | 电子科技大学 | 一种双麦克风盲声源分离的快速源信号重建方法 |
| US9668066B1 (en) * | 2015-04-03 | 2017-05-30 | Cedar Audio Ltd. | Blind source separation systems |
| CN106887238A (zh) * | 2017-03-01 | 2017-06-23 | 中国科学院上海微系统与信息技术研究所 | 一种基于改进独立向量分析算法的声信号盲分离方法 |
| CN107293305A (zh) * | 2017-06-21 | 2017-10-24 | 惠州Tcl移动通信有限公司 | 一种基于盲源分离算法改善录音质量的方法及其装置 |
| CN109086686A (zh) * | 2018-07-12 | 2018-12-25 | 西安电子科技大学 | 基于自适应动量因子的时变信道下的盲源分离方法 |
| CN110890098A (zh) * | 2018-09-07 | 2020-03-17 | 南京地平线机器人技术有限公司 | 盲信号分离方法、装置和电子设备 |
| CN109520496A (zh) * | 2018-09-28 | 2019-03-26 | 天津大学 | 一种基于盲源分离方法的惯性导航传感器数据去噪方法 |
| CN109946085A (zh) * | 2019-03-24 | 2019-06-28 | 西安航天动力测控技术研究所 | 一种固体火箭发动机振动信号声振降噪的方法 |
| CN111415676A (zh) * | 2020-03-10 | 2020-07-14 | 山东大学 | 一种基于分离矩阵初始化频点选择的盲源分离方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Self-adaptive blind source separation based on activation functions adaptation;Liqing Zhang，等;《IEEE TRANSACTIONS ON NEURAL NETWORKS》;第15卷(第2期);第233-244页 * |
| 基于盲源分离的卫星多径信号提取算法;冀常鹏，等;《激光与光电子学进展》;第57卷(第19期);第1-9页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112349292A (zh) | 2021-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112349292B (zh) | 信号分离方法和装置、计算机可读存储介质、电子设备 | |
| US10123113B2 (en) | Selective audio source enhancement | |
| US20130294611A1 (en) | Source separation by independent component analysis in conjuction with optimization of acoustic echo cancellation | |
| CN110148422B (zh) | 基于传声器阵列确定声源信息的方法、装置及电子设备 | |
| CN111261138B (zh) | 降噪系统确定方法及装置、噪声处理方法及装置 | |
| CN111435598B (zh) | 语音信号处理方法、装置、计算机可读介质及电子设备 | |
| CN110428852B (zh) | 语音分离方法、装置、介质和设备 | |
| CN113436643B (zh) | 语音增强模型的训练及应用方法、装置、设备及存储介质 | |
| WO2006085537A1 (ja) | 信号分離装置、信号分離方法、信号分離プログラム及び記録媒体 | |
| CN110675892B (zh) | 多位置语音分离方法和装置、存储介质、电子设备 | |
| JP6987075B2 (ja) | オーディオ源分離 | |
| WO2016100460A1 (en) | Systems and methods for source localization and separation | |
| US10262678B2 (en) | Signal processing system, signal processing method and storage medium | |
| CN110673096A (zh) | 语音定位方法和装置、计算机可读存储介质、电子设备 | |
| CN111863015A (zh) | 一种音频处理方法、装置、电子设备和可读存储介质 | |
| CN112652320B (zh) | 声源定位方法和装置、计算机可读存储介质、电子设备 | |
| CN111883135A (zh) | 语音转写方法、装置和电子设备 | |
| EP4172987A1 (en) | Speech enhancement | |
| CN112055284B (zh) | 回声消除方法及神经网络的训练方法、装置、介质、设备 | |
| EP3624117A1 (en) | Method, apparatus for blind signal seperating and electronic device | |
| CN110689900B (zh) | 信号增强方法和装置、计算机可读存储介质、电子设备 | |
| CN111696573B (zh) | 声源信号处理方法及装置、电子设备和存储介质 | |
| CN112346012A (zh) | 声源位置确定方法和装置、可读存储介质、电子设备 | |
| JP6448567B2 (ja) | 音響信号解析装置、音響信号解析方法、及びプログラム | |
| CN113380267B (zh) | 对音区进行定位的方法、装置、存储介质及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |