JP2004503983A - 信号を抽出する方法 - Google Patents

信号を抽出する方法 Download PDF

Info

Publication number
JP2004503983A
JP2004503983A JP2002511497A JP2002511497A JP2004503983A JP 2004503983 A JP2004503983 A JP 2004503983A JP 2002511497 A JP2002511497 A JP 2002511497A JP 2002511497 A JP2002511497 A JP 2002511497A JP 2004503983 A JP2004503983 A JP 2004503983A
Authority
JP
Japan
Prior art keywords
signal
parameter
equation
time
modeled
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.)
Granted
Application number
JP2002511497A
Other languages
English (en)
Other versions
JP4402879B2 (ja
Inventor
ゴッドシル, サイモン
アンドリュー, クリストフ
Original Assignee
エイティー アンド ティー ラボラトリーズ−ケンブリッジ リミテッド
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by エイティー アンド ティー ラボラトリーズ−ケンブリッジ リミテッド filed Critical エイティー アンド ティー ラボラトリーズ−ケンブリッジ リミテッド
Publication of JP2004503983A publication Critical patent/JP2004503983A/ja
Application granted granted Critical
Publication of JP4402879B2 publication Critical patent/JP4402879B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00Speech recognition
    • G10L15/20Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced speech
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00Speech 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
    • G10L21/02Speech enhancement, e.g. noise reduction or echo cancellation
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00Speech 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
    • G10L21/02Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208Noise filtering
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B1/00Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/06Receivers
    • H04B1/10Means associated with receiver for limiting or suppressing noise or interference
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B3/00Line transmission systems
    • H04B3/02Details
    • H04B3/04Control of transmission; Equalising
    • H04B3/06Control of transmission; Equalising by the transmitted signal
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00Speech 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
    • G10L21/02Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208Noise filtering
    • G10L2021/02082Noise filtering the noise being echo, reverberation of the speech

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Quality & Reliability (AREA)
  • Filters That Use Time-Delay Elements (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
  • Noise Elimination (AREA)
  • Complex Calculations (AREA)

Abstract

本発明の方法は、少なくとも1つの汚染信号と、該少なくとも1つの汚染信号が測定される少なくとも1つの通信チャンネルとを含むシステムから少なくとも1つの所望の信号を抽出する方法であって、少なくとも1つの第1の時間変動パラメータを用いて、少なくとも1つの所望の信号を第1の動状態空間システムとしてモデリングする工程と、少なくとも1つの通信チャンネルを、少なくとも1つの第2のパラメータを有する第2の状態空間システムとしてモデリングする工程とを包含し、それぞれの通信チャンネルを介して測定された汚染信号yから所望の信号sを抽出する方法が提供される。所望の信号sおよびチャンネルを含むシステムは、状態空間モデルとしてモデリングされる。このモデルにおいて、所望の信号は時間変動特性を有する。これはチャンネルの第2の時間変動特性よりも速く変動する。
【選択図】図2

Description

【0001】
本発明は、信号を抽出する方法に関する。この方法は、それぞれの通信チャンネルを介して受け取られる1つ以上の汚染信号から、1つ以上の所望の信号を抽出するために用いられ得る。信号は、例えば、ノイズ、マルチパス伝播の場合はその遅延バージョン、所望の信号であり得るまたはあり得ない他の信号、または、これらの組み合わせによって汚染され得る。
【0002】
通信経路(単数または複数)は、ケーブルを介したり、電磁伝播および音響伝播などの任意の形態であり得る。また、所望の信号は、原則的に任意の形態であり得る。この方法の特定のアプリケーションの1つは、汚染信号(例えば、音響的に伝播するノイズまたは他の音信号など)からの音声などの音信号を抽出することが望ましいシステムである。
【0003】
WO 99/66638は、状態空間モデリングに基づく信号分離技術を開示する。状態空間モデルは、信号混合プロセスのために想定され、さらなる状態空間モデルは、非混合システムを意図する。信号の通信環境が時間変動であることが提案されるが、これはこの開示技術においてはモデリングされない。
【0004】
US 5 870 001は、セルラー無線システムに用いられる較正技術を開示する。この技術は、カルマンフィルタを用いる従来例である。
【0005】
US 5 845 208は、セルラー無線システムにおいて受け取った電力を推定する技術を開示する。この技術は、パラメータが固定されておりかつ事前に推定されるまたは「既知」である状態空間自己回帰モデルを利用する。
【0006】
US 5 581 580は、レイリーフェージング環境においてチャンネルをフェージングする、モデルに基づくチャンネル推定アルゴリズムを開示する。この推定法則は、時間変動通信チャンネル係数に自己回帰モデルを用いる。
【0007】
KotechaおよびDjuricの「Sequential Monte Carlo sampling detector for Rayleigh fast−fading channel」、Proc.2000 IEEE Int.Conf.Acoustics Speech and Signal Processing、Vol.1、61〜64ページは、デジタルまたは離散レベルの信号を処理する技術を開示する。この技術は、動状態空間モデルとしてシステムをモデリングすることを利用する。動状態空間モデルにおいて、チャンネル推定および送信データ検出は、モンテカルロサンプリングフィルタに基づく。チャンネルフェージング係数および送信変数は、隠れ変数として扱われ、チャンネル係数は、自己回帰プロセスとしてモデリングされる。隠れ変数の粒子は、過去の観測に基づいて、インポータンスサンプリング密度から連続して生成される。これらの粒子は、必要とされる条件つきの事後分布によって伝播され、かつ、重さを計られる。これらの粒子およびその重さによって隠れ変数が推定される。この技術は、固定パラメータによるソースのモデリングに限定される。
【0008】
Chin−Wei LinおよびBor−Sen Chenの「State Space Model and Noise Filtering Design in Transmultiplexer Systems」、Signal Processing、Vol.43、No.1、1995、65〜78ページは、通信システムに適用される別の状態空間モデリング技術を開示する。「トランスマルチプレクサ」方式において、所望の信号は、既知かつ固定のパラメータによって非時間変動自己回帰プロセスとしてモデリングされる。
【0009】
本発明の第1の局面によって、少なくとも1つの測定された汚染信号およびその少なくとも1つの汚染信号を測定する少なくとも1つの通信チャンネルを含むシステムから少なくとも1つの所望の信号を抽出する方法が提供され、この方法は、少なくとも1つの第1の時間変動パラメータによって第1の動状態空間システムとして少なくとも1つの所望の信号をモデリングし、かつ、少なくとも1つの第2のパラメータを有する第2の状態空間システムとして少なくとも1つの通信チャンネルをモデリングすることを含む。
【0010】
状態空間システムは数学的に既知であり、いくつかの実用的な問題の解決策に適用されてきた。状態空間システムにおいて、システムが推定または抽出を行うことが望ましいシステムの潜在的な状態がある。この状態は、以前の状態値の既知関数および不規則なエラーまたは外乱状態として生成されることが想定される。
【0011】
利用可能な測定値もまた、現在の状態および別の不規則なエラーまたはノイズ状態の既知関数であることが想定される。
【0012】
状態空間システムが、1つ以上の測定された汚染信号および通信チャンネルを含むシステムから1つ以上の所望の信号を抽出する問題にうまく適用されることが不意に発見された。この技術は、扱いやすい方法で、かつ、リアルタイムまたはオンラインで、1つ以上の所望の信号を抽出することを可能にする。この技術のさらなる利点は、所望の信号(単数または複数)のサンプルを抽出するために未来のサンプルを必要としないことであるが、いくつかの実施形態において、限られた未来のサンプルを用いることが有利であり得る。後者の場合、所望の信号(単数または複数)のサンプルは幾分か遅延されているが、少なくとも測定された信号のサンプリングレートにおいて利用可能であり、かつ、非常に大量なメモリを必要としない。
【0013】
少なくとも1つの所望の信号は、物理的プロセスによって生成され得る。少なくとも1つの第1のパラメータは、物理的生成プロセスをモデリングし得る。このようなモデリングは、一般的には実際の物理的プロセスに近いものであるが、信号抽出に十分であることが分かった。
【0014】
少なくとも1つの第2のパラメータは、固定かつ未知であり得る。少なくとも1つの第2のパラメータは、時間変動であり得る。少なくとも1つの第1の時間変動パラメータは、少なくとも1つの第2の時間変動パラメータの変化率とは異なる変化率を有し得る。少なくとも1つの第1の時間変動パラメータの変化率は、平均して、少なくとも1つの第2の時間変動パラメータの変化率より大きくあり得る。
【0015】
多くのシステムにおいて、所望の信号(単数または複数)の特性は比較的急速に変化するが、通信チャンネル(単数または複数)の特性はより遅く変化する。チャンネルの特性は突然変化し得るが、このような変化は比較的珍しい。しかし、音声などの信号は、比較的急速に変化する特性を有する。異なる割合の変化がモデリングされるようにこれらの特性をモデリングすることにより、1つ以上の信号の抽出が促進される。
【0016】
少なくとも1つの所望の信号は、複数の所望の信号を含み得、それぞれの所望の信号は、それぞれの状態空間システムとしてモデリングされる。複数の所望の信号の少なくとも1つ(全てではない)は、少なくとも1つの第3のパラメータによってモデリングされ得、第3のパラメータ(単数または複数)は、固定かつ未知である。
【0017】
複数の所望の信号の少なくとも1つ(全てではない)は、少なくとも1つの第4のパラメータによってモデリングされ得、第4のパラメータ(単数または複数)は既知である。
【0018】
第2のパラメータ(単数または複数)は既知であり得る。
【0019】
少なくとも1つの通信チャンネルは、複数の通信チャンネルを含み得、少なくとも1つの汚染信号は、複数の汚染信号を含み得る。少なくとも1つの所望の信号は、複数の所望の信号を含み得る。通信チャンネルの数は、所望の信号の数以上であり得る。必要ではないが、一般的に、測定された信号の数が、抽出されるべき所望の信号の数以上であることが望ましい。これにより、この方法によって所望の信号が再現される効率が改善され、特に、所望の信号(単数または複数)の再構築または抽出の正確さが改善される。
【0020】
少なくとも1つの汚染信号は、少なくともいくつかの所望の信号の時間遅延バージョンの一次結合を含み得る。この方法は、従って、マルチパス伝播の場合、信号が互いに汚染し合っている場合、およびこれらの効果の組み合わせの場合に、所望の信号を抽出することが可能である。
【0021】
少なくとも1つの汚染信号は、ノイズによって汚染されている少なくとも1つの所望の信号を含み得る。従って、この方法は、所望の信号(単数または複数)をノイズから抽出することが出来る。少なくとも1つのチャンネルは、異なる長さの複数の信号伝播経路を含み得る。
【0022】
少なくとも1つの所望の信号は、アナログ信号を含み得る。アナログ信号は、一時的にサンプリングされたアナログ信号であり得る。
【0023】
少なくとも1つの所望の信号は、音信号を含み得る。少なくとも1つの音信号は、音声を含み得る。汚染信号は、音領域を空間的にサンプリングすることにより測定される。少なくとも1つの第1のパラメータは、ノイズ生成モデリングパラメータを含み得る。少なくとも1つの第1のパラメータは、ホルマントモデリングパラメータを含み得る。例えば、マイクロフォンなどの音響電気変換器が、例えば、部屋または他の空間に空間的に分布され得、出力信号が、この方法によって処理され得、その結果、音声の他のソースまたは他の情報を持つ音のソースなどのバックグラウンドノイズまたは信号の存在下で、1つのソースから音声が抽出または分離される。
【0024】
少なくとも1つの所望の信号は、時間変動自己回帰としてモデリングされ得る。この型のモデリングは、多くの種類の所望の信号に適しており、音声を抽出することに特に適している。また、少なくとも1つの所望の信号は、移動平均モデルとしてモデリングされ得る。さらにまた、少なくとも1つの所望の信号は、非線形時間変動モデルとしてモデリングされ得る。
【0025】
少なくとも1つの通信チャンネルは、時間変動有限インパルス応答モデルとしてモデリングされ得る。この型のモデルは、種々の伝播システムをモデリングすることに適している。また、少なくとも1つの通信チャンネルは、有限インパルス応答モデルとしてモデリングされ得る。さらにまた、少なくとも1つの通信チャンネルは、非線形時間変動モデルとしてモデリングされ得る。
【0026】
第1の状態空間システムは、確率モデルを用いてモデリングされる少なくとも1つのパラメータを有し得る。少なくとも1つの所望の信号は、ベイズの反転によって抽出され得る。また、少なくとも1つの所望の信号は、最尤法によって抽出され得る。さらにまた、少なくとも1つの所望の信号は、最小2乗法によって抽出され得る。信号抽出は、連続的なモンテカルロ方法によって実行され得る。また、信号抽出は、カルマンフィルタまたは拡張されたカルマンフィルタによって実行され得る。これらの技術は、複雑なモデルに特に有効であり、並列コンピュータに潜在的に実現可能である。
【0027】
本発明の第2の局面によって、前述の請求項のいずれかに記載される方法を実行するために、コンピュータを制御するプログラムが提供される。
【0028】
本発明の第3の局面によって、本発明の第2の局面によるプログラムを含むキャリアが提供される。
【0029】
本発明の第4の局面によって、本発明の第2の局面によるプログラムによってプログラミングされたコンピュータが提供される。
【0030】
例として、添付の図面を参照して、本発明をさらに説明する。
【0031】
所望の信号を抽出するために、パラメトリックアプローチが用いられる。このパラメトリックアプローチにおいて、データは、時間t、変数xによって表される潜在的な観測されていないプロセスによって生成されると想定される。変数xは、異なるソースの波形に関する情報を含む。所望の信号を抽出する際の問題は、問題の実際の構造がほとんど分かっていないため、良好な決定論的モデルを利用するには複雑すぎることである。あるいは、良好な決定論的モデルが利用可能である場合、扱い切れないほどの式が導かれ得ることである。
【0032】
音を生成するためのモデルは、以前の時間ステップxt−1における状態の値から、現在の「状態」xの尤度分布の式を提供する。この確率分布(状態遷移分布、または「事前確率」として公知)は、p(x│xt−1)と表される。現在観測されているデータが現在の状態にどのように依存するかは、別の確率分布p(y│x)(観測分布、または「尤度」として公知)によって特定される。最終的には、最初の時刻において状態がどのように分布されるかは、p(x)によって特定される。これらの3つの分布の特定の形態は、後で得られる。上記の問題を回避するための解決策は、確率分布によって式に不確定さを取り入れることを含む。より正確には、離散的な時間のセットアップにおいてxt+1が過去の値の決定論的な関数である(例えば、Aが線形演算子である場合、xt+1=Ax)と想定するのではなく、パラメータが存在する可能性の高い状態空間の領域は、条件つきの確率分布p(xt+1=χ│x)によって表され、xt+1の確率は、以前の値xからのχに等しい。これは、例えば、vがガウス分布によってゼロ付近に分布される不確定さまたはエラーである場合、xt+1=Ax+vと表され得る。分布の広がり方は、決定論的成分Axの信用度を示す。広がりが狭いほど、信用は大きい。この型のモデリングは、非常に複雑なプロセスを表すために実際にしっかりしていることが実証される一方で、実際に使用されるのに十分なほど簡単である。
【0033】
上記のように、プロセスの構造は既知であることが(可能性の高い物理的想定から)想定されるが、変数xは観測されず、yだけが観測可能である。概して、観測構造、すなわち、観測される前に対象のプロセスが経験する変形は、変数xによるが、現象の説明に幾分の不規則性が取り入れられる必要がある。例えば、観測ノイズを考慮する必要がある。これもまた、確率分布p(y=y│x)によって行われる。潜在的なプロセスのパラメータがxによって表されることから、yの確率はyに等しい。上記の例において、可能な観測プロセスは、y=Cx+wの形態であり、付加的な観測ノイズwによって破壊されるプロセスの内部状態を表すパラメータxが幾分変形する。
【0034】
音響ソース分離の場合、パラメータxは、時間tにおけるソースの所望の波形の値sを含み、ソース(a)および混合システム(h)を導き出すためのパラメータを含む。図1は、単一の通信チャンネルに関して、これを図によって示す。遷移確率分布は、下記によって定義される。
p(at+1=a│a)p(ht+1=h│h)aがh(突然導き出されることもあるが、これはめったに起こらない)に比べて素早く導き出されることを除いて、これの展開をどのように特徴付けるべきか分からないため、下記が与えられる。
【0035】
【数1】
Figure 2004503983
【0036】
ここで、
【0037】
【数2】
Figure 2004503983
【0038】
の分布はそれぞれ等方的であるが、異なる非定常時間尺度を反映するために異なる広がりを有する。パラメータaのセットは、ソースのスペクトル特性を導き出すと考えられ得、パラメータhは、古典有限インパルス応答(FIR)フィルタと考えられ得る。システムのパラメータが説明されたので、その波形が確率分布によって導き出されることが想定され得る。
p(st+1=s│s,a)これは、ソースのモデルを説明する。
【0039】
音響信号の分離または抽出の一例として、ソースは音声ソースである。パラメータxは、次いで、時間変動自己回帰プロセスとして、例えば、下記の式によって、モデリングされ得る。
【0040】
【数3】
Figure 2004503983
【0041】
ここで、パラメータai,tは、人間の声の広がりを表す全共振フィルタシステムのフィルタ係数であり、eは、声帯によって生成されるノイズを表す。
【0042】
図2は、会話をしている人などの2つの所望の音ソースが、s(1) およびs(2) によって表され、壁2〜5の形態で境界を有する部屋1の形態の密閉された空間に配置される本発明の典型的なアプリケーションを示す。マイクロフォン6〜8は、部屋1の中の固定されたそれぞれの位置に配置され、部屋の中の音領域をサンプリングして測定された汚染信号y(1) 、y(2) 、y(3) を生成する。測定された信号は、抽出方法を実行するためにプログラムによって制御されているコンピュータ9に供給される。このプログラムは、プログラムキャリア10が保有し、図示の例において、プログラムキャリア10は、コンピュータ9の操作を制御するメモリの形態である。このコンピュータは、個々の音声信号を抽出し、増幅器11および12ならびに拡声器13および14を含む個々のチャンネルを介してこれらの音声信号を供給するように示されている。その代わり、または、それに加えて、抽出された信号は格納され得るか、または、さらなる処理の対象となり得る。
【0043】
図2は、音ソースから1つのマイクロフォン7へのいくつかの伝播経路を示す。それぞれの場合において、それぞれの音ソースからマイクロフォン7へは、直接経路15および16がある。それに加えて、それぞれの音ソースからマイクロフォン7への反射経路がある。例えば、1つの反射経路は、ソースから出て壁2で反射して反射線18を形成する直接音線17を含む。概して、それぞれの音ソースからそれぞれのマイクロフォンへの多くの反射経路があり、これらの経路は、異なる伝播の長さおよび異なる音減衰を有する。
【0044】
観測yからソースsを推定することが目的であり、実用的であるために、推定は、出来る限り遅延の少ない状態で、オンラインで実行されることが望ましい。モデリングプロセスは、効果(観測y)をもたらす原因(x)について説明するが、推定タスクは、原因および効果の反転を含む。確率モデリングのフレームワークにおいて、この反転は、ベイズの定理を用いて一貫して実行され得る。統計的フィルタリングに関して、統計的フィルタリングは時間tまでの全ての観測が行われた状態でのxの確率の計算であり、xの確率はp(x│y1:t)である。展開確率(evolution probability)がp(x│xt−1)であり、観測確率がp(y│x)であることから、ベイズの法則は下記をもたらす。
【0045】
【数4】
Figure 2004503983
【0046】
この式によって、時間t−1におけるフィルタリング密度、すなわちp(xt−1│y1:t−1)と、時間tにおけるフィルタリング密度、すなわちp(x│y1:t)との間の帰納が求められるので重要である。問題は、実際には、非公開の形態でこの積分を計算することが出来ず、これらの数をオンラインのリアルタイムな方法で計算することが望ましいことである。
【0047】
確率分布を用いると、機能空間の特定領域内の人口のメンバー密度が低く表されると考えられ得るが、モンテカルロ方法は、反対の方向に作用し、確率分布によって分布される意図的に生成されたサンプルのセットによって確率分布が表され得るという概念による。これは、機能空間の所定区域内のサンプル密度が、対象の分布において、この区域の確率を表すことが想定されることを必要とする。予想通り、人口が多いほど、表現はより正確になる。このアプローチは、多くの場合、同時に行われることが大いにあり得る計算を大幅に単純化するという利点を有する。
【0048】
本発明に関与する技術の基本的な説明を以下に示す。その後、特定の実施形態の詳細な説明を行う。
【0049】
時間t−1において、分布p(xt−1│y1:t−1)によって分布される「粒子」
【0050】
【数5】
Figure 2004503983
【0051】
の人口のメンバーがN>>1であることが想定される。展開分布p(x│xt−1)または事前確率を用いて、粒子がどこで導き出されるかを推測することが可能である。展開分布または事前確率からのサンプリングは典型的に簡単である。従って、パラメータの展開の事前確率によって、尤もな領域に「スカウト」が送られる。次の観測yが可能である場合、p(y│x)によって定量化され得る新しい観測によってもたらされる情報を「スカウト」が考慮していないため、予測を訂正する必要がある。いくつかの粒子は対象の領域内にあるが、典型的にその数は不十分である。または、より少ないメンバーを含むべき領域に人口のメンバーが多すぎる場合もある。
【0052】
人口を調整する方法は、人口不足領域内のメンバーを増やすこと、および、人口過密領域内のメンバーを抑制することからなる。このプロセスは、選択ステップと呼ばれる。「スカウト」の未来を決定する量が下記のインポータンス関数であることが、数学的に証明され得る。
【0053】
【数6】
Figure 2004503983
【0054】
有効なメカニズムは、
【0055】
【数7】
Figure 2004503983
【0056】
に最も近い整数を用いてスカウトの数iの内の「子供」の数を決定すること、または、確率
【0057】
【数8】
Figure 2004503983
【0058】
によって粒子
【0059】
【数9】
Figure 2004503983
【0060】
を不規則に選択することを含む。選択プロセスの後、p(x│yi:t)によって子供がおおよそ分布され、次のデータが処理され得る。これは、アルゴリズムの非常に一般的な説明であり、非常に特別な場合において、下記に示すように、多くの改善が可能である。
【0061】
連続的なモンテカルロ推定を行う一般的な手法が与えられる。これは、最も基本的な形態の方法であり、N.J.Gordon、D.J.SalmondおよびA.F.M.Smithの「Novel approach to nonlinear/non−Gaussian Bayesian state estimation」、IEE Proceedings−F、vol.140、no.2、107〜113ページ、1993に記載されており、本明細書中、同文献の内容を参考として援用する。
【0062】
初期ステップ20において、時間tはゼロに設定される。Nいわゆる「粒子」は、初期分布p(x)から不規則に選択され、x(k) と表示される。ここで、kは1からNの整数である。粒子の数Nは、典型的に非常に大きく、例えば、ほぼ1,000である。ステップ20および21は、手順の初期化を表す。
【0063】
状態伝播がステップ22において実行される。このステップにおいて、現在の時間t=1からの各粒子に関して、分布p(xt+1│x(k) )によって、現在の時間への更新が不規則に選択される。更新された粒子x(k) t+1は、状態遷移分布によって、空間の期待領域内にある尤もな値を有する。
【0064】
ステップ23において、次に測定される値yt+1は、音領域を測定またはサンプリングすることによって得られる。ステップ24において、粒子の重量が計算される。更新された粒子x(k) t+1が、新しく測定された値yt+1を参照せずに生成されたので、新しい測定を考慮して各粒子が実際にどれほど「良い」かを表すために、各粒子の0と1との間の重量を計算する必要がある。各粒子の正確な重量の値は、粒子の観測分布の値に比例する。しかし、全ての重量の合計は、1に等しい必要がある。従って、各粒子x(k) t+1の重量は、下記によって得られる。
【0065】
【数10】
Figure 2004503983
【0066】
ステップ25は、次いで、粒子を再び選択またはサンプリングして、付加重量のない粒子のセットに戻る。ステップ25は、以下により詳細に説明するように、その重量によって、N粒子を再び選択する。ステップ26は、次いで、時間を増やして、ステップ22に戻るように制御する。従って、ステップ22〜26は、この方法が用いられる限り繰り返される。
【0067】
各サンプルの値は、例えば、事後平均推定法則によって、下記のように計算され得る。
【0068】
【数11】
Figure 2004503983
【0069】
上記の技術は、比較的一般的であり、「汚染された」測定から音声または他の音響信号を分離または抽出する場合に特に限定されない。音響ソース信号の抽出をより明確にその目的とする方法について、より詳細に説明する。
【0070】
ソースは、時間変動自己回帰プロセスによってモデリングされることが想定される。すなわち、時間tにおけるソースの数iは、同じソース(si,t−1、...、si,t−pi、または短いベクトルの形態si,t−1:t−pi)の過去の値であるpi(いわゆるモデルのオーダ)の一次結合であり、ノイズ(ガウス分布されていると想定される)
【0071】
【数12】
Figure 2004503983
【0072】
によって摂動する。
【0073】
【数13】
Figure 2004503983
【0074】
この種類のプロセスは、非常に順応性があり、共振がモデリングされることを可能にする。一次結合の係数ai,tは、音声の共振の非定常を考慮するため、時間変動である。
【0075】
【数14】
Figure 2004503983
【0076】
異なるソース(遅延された可能性のある)をマイクロフォンjおよび時間tにおいて重ね合わせる観測は、下記のプロセスによって生成されることが想定される。
【0077】
【数15】
Figure 2004503983
【0078】
すなわち、この観測は、観測ノイズwj,tによって摂動するフィルタリングされた全てのソースの合計である(ソースiからマイクロフォンjへのフィルタの長さはlijであり、このフィルタは遅延されている)。ソースiからマイクロフォンjへの伝達関数は、下記の式によって、そのうち導き出される。
【0079】
【数16】
Figure 2004503983
【0080】
ここで、
【0081】
【数17】
Figure 2004503983
【0082】
およびwj,tの特性が既知であることが想定されるが、アルゴリズムの全体のバージョンにおいて、これらのパラメータも推定される。
【0083】
音響ソース分離のための連続的なモンテカルロアルゴリズムのステップは、基本的には、図3に示す通りであるが、下記のように変更または増強される。状態ベクトルxは、全てのソース、自己回帰パラメータ、およびソースとマイクロフォンとの間の伝達関数を含む積重ねベクトルとして定義される。
【0084】
初期値は、広がりの大きい通常分布から不規則に選択される。
【0085】
ステップ22において、ガウス分布から、不規則ノイズva(k) i,t+1、vs(k) i,t+1およびvh(k) i,j,t+1が生成される。ガウス分布は、例えば、B.D.Ripleyの「Stochastic Simulation」、Wiley、N.Y.1987に開示され、本明細書中、同文献の内容を参考として援用する。これらの量は、次いで、それぞれの状態変数に加算される。
【0086】
【数18】
Figure 2004503983
【0087】
ステップ24は、下記のように、非正常化重量を計算する。
【0088】
【数19】
Figure 2004503983
【0089】
重量は、次いで、下記の式によって再び正常化される。
【0090】
【数20】
Figure 2004503983
【0091】
励起ノイズおよび観測ノイズの分散の変動は、
【0092】
【数21】
Figure 2004503983
【0093】
の展開式を下記のように定義することにより考慮され得る。
【0094】
【数22】
Figure 2004503983
【0095】
ここで、
【0096】
【数23】
Figure 2004503983
【0097】
は、ガウス分布によって分布されるi.i.d.シーケンスである。
【0098】
次いで、それぞれの修正のいくつかまたは全ての性能を基本的なアルゴリズムに改善することが、下記のように可能である。
【0099】
(a)時間変動ノイズ分散を推定する。不規則ノイズ
【0100】
【数24】
Figure 2004503983
【0101】
を通常分布から生成し、下記を計算する。
【0102】
【数25】
Figure 2004503983
【0103】
上記の式は、指数関数によって変換されて、ノイズの分散を得る。すなわち、
【0104】
【数26】
Figure 2004503983
【0105】
である。
【0106】
(b)このモデルの構造を用いることにより、混合フィルタ係数および自己回帰係数が積算され得る。その含意は、重量の計算が下記のように修正されることである。
【0107】
【数27】
Figure 2004503983
【0108】
この重量は、下記の式(17)〜(19)に示される自己回帰係数および混合フィルタ係数を含む状態の状態空間モデルに適用される標準的な手順であるカルマンフィルタ(式(50)を参照)を用いて連続的に計算される。この方法の利点は、推定されるべきパラメータの数が著しく減少され、統計的な効率がとても改善されることである。
【0109】
(c)ソースの値を伝播する分布は、フィルタリング密度
【0110】
【数28】
Figure 2004503983
【0111】
の近似に修正される。このフィルタリング密度は、基本的なアルゴリズムとは対照的に、新しい観測yを考慮し、従って、改善された統計的な効率に再び導く。この密度は、状態空間モデルに適用されるカルマンフィルタの副産物(例えば、カルマンフィルタ#2)である。この状態空間モデルにおいて、状態は、カルマンフィルタ#1によって以前に求められた混合係数
【0112】
【数29】
Figure 2004503983
【0113】
および自己回帰係数
【0114】
【数30】
Figure 2004503983
【0115】
のフィルタリングされた平均推定によって、ソースxおよび下記の式(14)に示されるパラメータからなる。
【0116】
(d)粒子間の多様性は、対象分布が
【0117】
【数31】
Figure 2004503983
【0118】
である粒子にメトロポリス−ハスティング更新を用いて導入される。このステップは、ステップ25の後に導入され、その詳細は以下に示される。
【0119】
(e)改善のため、すなわち、時間tにおけるソースの値を計算していくつかのLに関するいくつかの未来観測yt+1、...、yt+Yを待って考慮するため、推定が遅延される。このような技術は、固定遅延平滑化と呼ばれ、データyt+1を待つことのみが必要であるため、アルゴリズムは修正されない。
【0120】
これらの異なるステップの完全な説明を以下に示す。
【0121】
ソースおよびチャンネルを含むシステム全体は、状態空間システムとしてモデリングされる。これは、制御および信号処理の理論による標準的な概念である。状態空間システムの定義として、システムには、システムが推定または抽出を行うことが望ましい、xと表される、時間tにおけるいくつかの潜在的な状態がある。この場合、潜在的な所望のソース自体が含まれる。この状態は、以前の状態値の既知関数および不規則エラーまたは外乱状態として生成されると想定される。
【0122】
【数32】
Figure 2004503983
【0123】
ここで、At+1(...)は既知関数であり、ある期間にわたる状態の想定された変遷パターンを表す。同様に、yと表される時間tにおける測定値は、現在の状態および別の不規則エラーまたはノイズ状態の既知関数であることが想定される。
【0124】
【数33】
Figure 2004503983
【0125】
ここで、
【0126】
【数34】
Figure 2004503983
【0127】
は、汚染プロセスを表す既知関数である。この場合、
【0128】
【数35】
Figure 2004503983
【0129】
は、ソース(単数または複数)上のチャンネル(単数または複数)のフィルタリング効果を表し、
【0130】
【数36】
Figure 2004503983
【0131】
は、システム内の測定ノイズを表す。
【0132】
本方法の重要な鍵は、ソース(単数または複数)とチャンネル(単数または複数)の両方が有する、時間変動特性が異なることであり、これは、さらに推定される必要がある。換言すると、関数At+1および
【0133】
【数37】
Figure 2004503983
【0134】
は、それ自体、例えば、
【0135】
【数38】
Figure 2004503983
【0136】
といった、いくつかの未知のパラメータに依存する。この場合、
【0137】
【数39】
Figure 2004503983
【0138】
は、ソースの未知の時間変動自己回帰パラメータを表し、
【0139】
【数40】
Figure 2004503983
【0140】
は、チャンネル(単数または複数)の未知の時間変動有限インパルス応答フィルタ(単数または複数)を表す。これらの時間変動特性は、後述のように、さらなる状態遷移関数を用いてモデリングされる。
【0141】
対処される問題は、ソース分離の問題、すなわち、n個のソースは自己回帰(AR)プロセスとしてモデリングされ、このソースから、各時間tにおいて、n個のソースの畳み込み混合(convolutive mixtures)であるm回の観測が行なわれる。
ソースiは、t=1,...の場合、
【0142】
【数41】
Figure 2004503983
【0143】
としてモデリングされ得、pは、i番目のARモデルの次数である。i=1,...,nである場合、
【0144】
【数42】
Figure 2004503983
【0145】
を想定する。
【0146】
【数43】
Figure 2004503983
【0147】
は、ゼロ平均正規化i.i.d.ガウスシーケンスである。i=1,...,nおよびt=1,...である場合、ガウスシーケンスは、
【0148】
【数44】
Figure 2004503983
【0149】
である。
【0150】
【数45】
Figure 2004503983
【0151】
は、時間tにおける、各ソースのダイナミック雑音の分散である。導き出される自己回帰モデルは、線形ガウス状態空間表現
【0152】
【数46】
Figure 2004503983
【0153】
に従うことが想定される。このモデルは、行列
【0154】
【数47】
Figure 2004503983
【0155】
の異なったセット間の交換を含み得、例えば、沈黙を考慮に入れる。通常、
【0156】
【数48】
Figure 2004503983
【0157】
である。
【0158】
混合モデルは、多次元の時間変動FIRフィルタであると想定される。ソースは以下の態様で混合され、追加ガウスi.i.d.雑音シーケンスにより破損されることが想定される。j番目のセンサにおいて、およびj=1,...,mの場合、
【0159】
【数49】
Figure 2004503983
【0160】
であり、ここで、lijは、ソースiからセンサjまでの長さである。級数(Wj,tt=1...は、ゼロ平均正規化i.i.d.である。すなわち、j=1,...,nおよびt=1,...の場合、ガウスシーケンスは
【0161】
【数50】
Figure 2004503983
【0162】
である。
【0163】

【0164】
【数51】
Figure 2004503983
【0165】
は、時間tにおける、各センサの観測雑音の分散である。Wj,tは、ARモデルの励起から独立していることが想定される。拘束条件[hi,j,tl,l=1および[hi,j,tk,l=0(この場合、j=i mod mおよびi=1,...,n)が課される。m=nの場合、この拘束条件は、[hi,j,tl,l=1および[hi,j,tk,l=0(この場合、j=i)に対応する。ソースのモデルに関して、観測システムは、さらに、状態空間表現に従うことが想定される。
【0166】
【数52】
Figure 2004503983
【0167】
ソースiの各々に関して、信号は、以下の式で書き換えられる。
【0168】
【数53】
Figure 2004503983
【0169】
ここで、
【0170】
【数54】
Figure 2004503983
【0171】
はλ×λ行列であり、
【0172】
【数55】
Figure 2004503983
【0173】
と定義される。
【0174】
動的システム式は、以下のように書き変えられ得、
【0175】
【数56】
Figure 2004503983
【0176】
である。
「積み重ね(stacked)」パラメータベクトルを定義すると、
【0177】
【数57】
Figure 2004503983
【0178】
であり、以下の状態空間表現を考慮することが可能である。
【0179】
【数58】
Figure 2004503983
【0180】
である。
【0181】
これは、分散および状態Xを条件として、システム(17)および(19)が線形ガウス状態空間モデルであるため、混合フィルタおよび自己回帰フィルタが積分されることを可能にするので、実際に役立つ利点である。(14)と共に、これらのシステムは、双線形ガウスプロセスを定義する。
【0182】
ソースの数をm、pおよびli,jとすると、ソース(Xt=1,...およびこれらのソースのパラメータ
【0183】
【数59】
Figure 2004503983
【0184】
を、観測yj,tから逐次的に推定することが必要とされる。より厳密には、ベイズの推定の枠組みで、p(dθ,dx|y1:t+L)型の事後分布(posterior distributions)の再帰的、かつ時間どおりの推定に関心が持たれる。L=1であるとき、これはフィルタ分布に対応し、L>0であるとき、これは固定遅延平滑化分布(fixed−lag smoothing distribution)に対応する。これはいかなる解析的解決も認めない、非常に複雑な問題であり、数値的方法(numerical methods)を手段とすることを必要とする。このような数値的方法は、モンテカルロシミュレーションに基づく。次に、以下の表記法が用いられる。
【0185】
【数60】
Figure 2004503983
【0186】
シミュレーションベースの最適フィルタ/固定遅延平滑子が用いられ、不観測ソースのフィルタリングされた/固定遅延平滑化推定値、および
【0187】
【数61】
Figure 2004503983
【0188】
型のこれらの推定値のパラメータを取得する。
【0189】
標準的なベイズのインポータンスサンプリング法が最初に説明され、次に、カルマンフィルタに関連するアルゴリズムを用いて、高次元であり得るパラメータaおよびhに積算することにより、この方法の解析構造を利用することはどのように可能であるかが示される。これは、明解で効率的なアルゴリズムに至る。このアルゴリズムにとって、唯一の軌道パラメータ(tracked parameter)は、ソースおよび雑音分散である。その後、最適フィルタリングのベイズインポータンスサンプリングの逐次バージョンが提示され、プロセスに選択およびダイバーシティを導入することが必要な理由が示される。最後に、モンテカルロフィルタ/固定遅延平滑子が説明される。
【0190】
任意のfに関して、次に、│I(f)│<+∞であることが想定される。例えば、p(x0:t+L,θ0:t+L│y1:t+L)により、粒子と呼ばれるNのi,i,d.サンプル
【0191】
【数62】
Figure 2004503983
【0192】
をサンプリングすることが可能であると仮定すると、この分布の経験的推定は
【0193】
【数63】
Figure 2004503983
【0194】
により与えられ、従って、周辺分布p(dX,dθt|y1:t+L)のモンテカルロ近似
【0195】
【数64】
Figure 2004503983
【0196】
になる。
【0197】
この分布を用いて、任意のfに関するI(f)の推定値
【0198】
【数65】
Figure 2004503983
【0199】
が取得され得る。
【0200】
この推定は不偏であり、大数の強法則
【0201】
【数66】
Figure 2004503983
【0202】
による。さらなる想定のもとに、推定は、中心極限定理を満たす。任意のfに関してI(f)を推定することは容易であり、この推定の収束率(rate of convergence)は、tまたは状態空間の特性に依存しないが、粒子Nの数および関数fの特性にのみ依存する。残念ながら、任意のtにおける分布p(dx0:t+L,dθ0:t+L|y1:t+L)から直接的にサンプリングすることは不可能であり、代替的な策が研究される必要がある。
【0203】
p(dx0:t+L,dθ0:t+L|y1:t+L)およびI(f)を推定する1つの解決策は、A.Doucet,S.J.GodsillとC.Andrieuらによる「On sequential Monte Carlo sampling methods for Bayesian filtering」Statistics and Computing、2000年、において開示された周知のベイズのインポータンスサンプリング法である。この方法は、任意のインポータンス分布π(dx0:t+L,dθ0:t+L|y0:t+L)の存在を想定する。この分布は容易にシミュレーションされ、この分布の支持(support)は、p(dx0:t+L,dθ0:t+L|y1:t+L)の支持を含む。この分布I(f)を用いて、
【0204】
【数67】
Figure 2004503983
【0205】
として表現され得、ここで、インポータンス重みW(x0:t+L,θ0:t+L)が
【0206】
【数68】
Figure 2004503983
【0207】
によって与えられる。
【0208】
インポータンス重みは、通常、比例関係の定数までのみ評価され得る。なぜなら、ベイズの法則の結果として
【0209】
【数69】
Figure 2004503983
【0210】
となるからであり、
ここで、正規化定数p(y1:t+L)は、通常、閉じた形式(closed−form)で表され得ない。
【0211】
Nのi.i.d.サンプル
【0212】
【数70】
Figure 2004503983
【0213】
が分布π(dx0:t+L,dθ0:t+L|y1:t+L)によりシミュレーションされ得る場合、(25)におけるI(f)のモンテカルロ推定は、
【0214】
【数71】
Figure 2004503983
【0215】
として取得され得、
ここで、正規化インポータンス重みは、
【0216】
【数72】
Figure 2004503983
【0217】
によって与えられる。
【0218】
この方法は、式
【0219】
【数73】
Figure 2004503983
【0220】
の目標分布の点量近似(point mass approximation)と等価である。
【0221】
完璧なシミュレーションケース、すなわち、π(dx0:t+L,dθ0:t+L|y1:t+L)=P(dx0:t+L,dθ0:t+L|y1:t+L)であるとき、
【0222】
【数74】
Figure 2004503983
【0223】
に対応する。実際には、インポータンス分布は、所与の意味で目標分布に可能な限り近くなるように選択される。有限Nである場合、
【0224】
【数75】
Figure 2004503983
【0225】
は偏りがある。なぜなら、大数
【0226】
【数76】
Figure 2004503983
【0227】
の強法則によると、これは推定の比率を含むが、比対称であるからである。さらなる想定のもとに、Doucet,GodsillおよびAndrieuらにより開示されるように、中心極限定理がさらに成り立つ。
【0228】
p(dx,dθ|yt:t+L)およびI(f)の推定をp(dγ0:t+L|y1:t+L)からのサンプリングの1つに制限することが可能であり、ここで、
【0229】
【数77】
Figure 2004503983
【0230】
であることが回想される。実際、
p(dα,dγ0:t+L|y1:t+L)=p(dα|γ0:t+L,y1:t+L)×p(dγ0:t+L|y1:t+L)                  (31)
であり、ここで、p(dα|γ0:t+L,y1:t+L)はガウス分布であり、このガウス分布のパラメータは、カルマンフィルタタイプの技術を用いて計算され得る。従って、p(dγ0:t+L|y1:t+L)の近似と仮定して、p(dx,dθ|y1:t+L)の近似は、容易に取得され得る。周辺インポータンス分布および関連のインポータンス重みを
【0231】
【数78】
Figure 2004503983
【0232】
と定義し、π(dγ0:t+L|y1:t+L)により分布されたサンプル
【0233】
【数79】
Figure 2004503983
【0234】
のセットが利用可能であると想定すると、I(f)の代替的なベイズインポータンスサンプリング推定は、p(α|γ0:t+L,y1:t+L)f(x,θ)が閉じた式(closed form expression)で評価され得るとすれば、結果として
【0235】
【数80】
Figure 2004503983
【0236】
になる。(33)において、周辺正規化インポータンス重みは、
【0237】
【数81】
Figure 2004503983
【0238】
により与えられる。
【0239】
直観的に、所与の精度に到達するために、
【0240】
【数82】
Figure 2004503983
【0241】
は、
【0242】
【数83】
Figure 2004503983
【0243】
にわたるサンプルの数を低減する必要がある。周辺分布
【0244】
【数84】
Figure 2004503983
【0245】
からのサンプルのみを必要とするためである。A.Doucet,J.F.G.de FreitasおよびN.J.Gordon(eds.)らによる「Sequential Monte Carlo Methods in Practice」Springer−Verlag,2000年6月、に開示されるように、推定の分散は低減されることが証明され得る。この開示の内容は、参考のため、本明細書中に援用される。この場合、これは重要である。なぜなら、パラメータの数は常時(すべての混合フィルタおよびARプロセスが同じ長さを有すると想定する場合)、混合フィルタのパラメータ(複数)がmL−mLであり、ただし、Lは大きい可能性があり、
観測騒音のパラメータ(単数または複数)がmまたは1であり、
自己回帰プロセスのパラメータ(複数)がnl+nであり、
ソースのパラメータ(複数)がnである
からである。
【0246】
どの積分が分散を最も良く低減することを可能にするかは明確でないが、少なくともパラメータ空間における検索に関して、混合フィルタおよび自己回帰フィルタの積分が好適であるように思われる。
【0247】
これらの結果を仮定して、続く議論は、式
【0248】
【数85】
Figure 2004503983
【0249】
からのインポータンス分布を用いて、
【0250】
【数86】
Figure 2004503983
【0251】
およびI(f)の近似を取得するベイズインポータンスサンプリング法に焦点を当てる。これまで説明された方法は、バッチ法である。逐次法がどのように取得され得るかは、以下に説明される。
【0252】
離散的な時間tにおけるインポータンス分布は因数分解されて
【0253】
【数87】
Figure 2004503983
【0254】
になり得る。
【0255】
この目的は、任意の時間tにおいて、分布p(dγ0:t+L|y1:t+L)の推定を取得し、この推定を、次に、過去にシミュレーションされた軌道
【0256】
【数88】
Figure 2004503983
【0257】
を修正することなく、時間通りに伝搬できるようにすることである。これは、π(dγ0:t+L|y1:t+L)は、π(dγ0:t−1+L|y1:t−1+L)を周辺分散として認めることを意味する。これは、インポータンス分散が一般的な式
【0258】
【数89】
Figure 2004503983
【0259】
のインポータンス分散であることに限定されるならば可能である。
【0260】
このようなインポータンス分散は、インポータンス重みの帰納的評価、すなわちw(γ0:t+L)=w(γ0:t−1+L)wt+Lを可能にし、この特殊な場合は、
【0261】
【数90】
Figure 2004503983
【0262】
である。
【0263】
量p(dxt+L|xt+L,βt+L)は、式(19)およびp(yt+L|x0:t+L,βt+L)により与えられるシステムの、ワンステップアヘッドカルマンフィルタ(one step ahead Kalman filter)を用いて、正規化定数まで計算され得、p(yt+L|x0:t+L,βt+L)は、式(17)により与えられるシステムの、カルマンフィルタの1つ先の段階を用いて計算され得る。
【0264】
インポータンス分布π(dγ0:t+L|y1:t+L)に関する選択の数は無限にあり、唯一の制限は、その支持がp(dγ0:t+L|y1:t+L)の支持を含むことである。2つの可能性は、次に考察される。可能な策は、時間t+Lにおいて、γ0:t−1およびy1:t+Lと仮定して、インポータンス重みの分散を最小化するインポータンス分布を選択することである。この条件を満たすインポータンス分布は、p(dγt+L|γ0:t−1+L,y1:t+L)であり、ただし、関連の増分インポータンス重みは、
【0265】
【数91】
Figure 2004503983
【0266】
により与えられる。
【0267】
最適インポータンス分布からの直接的なサンプリングは困難であり、インポータンス重みを評価することは、解析上取り扱いが困難である。従って、目的は、概して、取り扱い易い近似、典型的には局所的線形性p(dγ|γ0:t−1,y1:t)を用いて最適分布を模倣することである。その代わりに、混合部分最適法(mixed suboptimal method)が説明される。αと1−αの比率を有する2つのインポータンス分布π1およびπ2により、時間tにおいて粒子をサンプリングし、従って、インポータンス重み
【0268】
【数92】
Figure 2004503983
【0269】
が次に、式
【0270】
【数93】
Figure 2004503983
【0271】
と推定される(パラメータαである、ベルヌーイ分布によりNとNを無秩序に導き出すことが可能であるが、これは、推定量分散を増加させることに留意されたい)ことが提唱される。
【0272】
インポータンス分散π(dxt+L|x1:tL−1,β1:t+L,y1:t+L)は、分散
【0273】
【数94】
Figure 2004503983
【0274】
がゼロの周りに集中する正規分散と解され、π(dx1+L|x1:t+L−1,β1:t+L,y1:t+L)は、
【0275】
【数95】
Figure 2004503983
【0276】
と解される。これは、a(i)およびh(i)の値、ならびに初期分布P t+L|t+LおよびP t+L|t+Lとしての
【0277】
【数96】
Figure 2004503983
【0278】
を用いて(14)において記載される状態空間モデルのワンステップアヘッドカルマンフィルタから取得されるガウス分布である。この分布は、これらの前の分布からサンプリングされ、数式(37)は
【0279】
【数97】
Figure 2004503983
【0280】
を計算するために用いられる。他のインポータンス分布が可能であるが、このアプローチは、良好な結果をもたらし、サンプルのダイバーシティを保持するように思われることに留意されたい。
【0281】
式(36)により具体化された形式のインポータンス分布に関して、インポータンス重みの分散は、Doucet、GodsillおよびAndrieuならびにその中の参考資料により開示されるように、時間の経過とともに増加する(確率的に)にすぎない。従って、縮重現象を回避することが可能である。実際、アルゴリズムがいくらか反復された後、正規化インポータンス重みの1つを除くすべてはゼロに非常に近く、最終推定への貢献がほぼゼロである軌道を更新することに多大な計算労力が充てられる。この理由で、選択およびダイバーシティを含むことは、非常に重要である。これは、本明細書中でより詳細に議論される。
【0282】
選択(またはリサンプリング)手順の目的は、低正規化インポータンス重みを有する粒子を廃棄し、これらを高正規化インポータンス重みに乗算し、アルゴリズムの退化を回避することである。選択手順は、各粒子、例えば
【0283】
【数98】
Figure 2004503983
【0284】
子の数N∈Nと関連し、従って
【0285】
【数99】
Figure 2004503983
【0286】
であり、N個の新しい粒子
【0287】
【数100】
Figure 2004503983
【0288】
を取得する。N=0の場合、
【0289】
【数101】
Figure 2004503983
【0290】
は廃棄され、N=0でない場合、これは時間t+1においてNの子を有する。選択工程の後、すべての粒子の正規化インポータンス重みはN−1にリセットされ、従って、過去のインポータンス重みに関するすべての情報を廃棄する。従って、次の時間工程における選択の前の正規化インポータンス重みは、(37)に比例する。これらは、
【0291】
【数102】
Figure 2004503983
【0292】
で表される。なぜなら、これらは、正規化インポータンス重みの任意の過去の値には依存しないからである。選択手順が各時間工程で実行される場合、選択工程の前の近似化分布が
【0293】
【数103】
Figure 2004503983
【0294】
により与えられ、選択工程の後の近似分布は
【0295】
【数104】
Figure 2004503983
【0296】
という結果になる。Doucet、de FreitusおよびGordonらにより開示されるシステム的サンプリングは、その良好な分散特性ゆえに選択される。
【0297】
しかしながら、選択は、別の問題を引き起こす。リサンプリングステージにおいて、高インポータンス重みを有する任意の特定の粒子が数回複製される。特に、L>0のとき、軌道は時間t+1〜t+LにL回リサンプリングされ、非常にわずかな明確な軌道が時間t+Lにおいて残存する。これは、サンプルの減損(depletion)という古典的な問題である。結果として、粒子のクラウドは最終的に個々の粒子に崩壊する。この退化は、目標の分布の不満足な近似に至る。いくつかの部分最適法は、この問題を克服し、粒子間でダイバーシティを導入するために提示される。これらのほとんどは、カーネル密度法(kernel density method)に基づく(Doucet、GodsillおよびAndrieuらにより、およびN.J.Gordon、D.J.SalmondおよびA.F.M.Smithらによる「Novel approach to nonlinear/non−Gaussian Bayesian state estimation」IEE Proceedings−F,vol.140、no.2、107〜113ページ、1993年により開示される)(これらの内容は、参考のため、本明細書中に援用される)。このカーネル密度法は、粒子の現在のセットに基づいて、カーネル密度推定を用いて確率分布を近似化し、そこから新しいセットの別個の粒子をサンプリングする。しかしながら、特定のカーネルの選択および構成は、必ずしも容易であるとは限らない。さらに、これらの方法は、さらなるモンテカルロバージョンを導入する。以下において、MCMC法が逐次インポータンスサンプリングと組み合わされ得、モンテカルロバージョンを増加させることなく、ダイバーシティをサンプルの中に導入する方法が示される。
【0298】
サンプルの減損を制限する効率的な方法は、単に、MCMC工程をシミュレーションベースのフィルタ/固定遅延平滑子に(Doucet、GodsillおよびAndrieuらにより、およびC.P.RobertおよびG.Casellaらにより引用された、BerzuiniおよびGilksらによる「Monte Carlo Statistical Methods」、Springer Verlag、1999年、を参照)付加することからなる。これは、ダイバーシティをサンプルの中に導入し、従って、サンプルの減損の問題を極端に低減する。時間t+Lに、粒子
【0299】
【数105】
Figure 2004503983
【0300】
は、p(dγ0:t+L|y1:t+L)により、周辺に分布されることを想定されたい。不変量分布p(dγ0:t+L|y1:t+L)を有する遷移カーネル(transition kernel)K(γ0:t+L|dγ’0:t+L)が粒子の各々に適用された場合、新しい粒子
【0301】
【数106】
Figure 2004503983
【0302】
は、依然として、目標の分布に従って分布される。Metropolis−Hastings(MH)アルゴリズムまたはGibbsサンプラといった、標準的MCMC法のいずれかが用いられ得る。しかしながら、従来のMCMC法とは逆に、遷移カーネルは、エルゴード的である必要がない。この方法は、さらなるモンテカルロバージョンを導入しないだけでなく、この方法は、目標の分布に関して、粒子の現在の分布の全変動標準(total variation norm)のみを低減し得るように推定値を改善する。
【0303】
時間t+L−1においてN∈N粒子
【0304】
【数107】
Figure 2004503983
【0305】
がp(dγ0:t+L−1|y1:t+L−1)により近似的に分布されると仮定すれば、モンテカルロ固定遅延平滑子は、時間t+Lに以下のように進行する。
【0306】
(逐次インポータンスサンプリング工程)
i=1,...,N,の場合、
【0307】
【数108】
Figure 2004503983
【0308】
である。
【0309】
i=1,...,N,の場合、(37)および(40)を用いて正規化されたインポータンス重み
【0310】
【数109】
Figure 2004503983
【0311】
を計算する。
【0312】
(選択工程)
高/低正規化されたインポータンス重みに関して粒子
【0313】
【数110】
Figure 2004503983
【0314】
を乗算廃棄し、例えば、システム的なサンプリングを用いてN個の粒子
【0315】
【数111】
Figure 2004503983
【0316】
を取得する。
【0317】
(MCMC工程)
i=1,...,N,の場合、
【0318】
【数112】
Figure 2004503983
【0319】
に不変量分布(invarient distribution)p(dγ0:t+L|y1:t+L)を有するマルコフ遷移カーネル
【0320】
【数113】
Figure 2004503983
【0321】
を適用し、N個の粒子
【0322】
【数114】
Figure 2004503983
【0323】
を取得する。
【0324】
MCMC遷移カーネルについては無限数の選択がある。ここで、one−at−a−time MHアルゴリズムが採用される。これは、時間t+Lに、マルコフ過程の値を時間tからt+Lに更新する。より具体的には、
【0325】
【数115】
Figure 2004503983
【0326】
は、
【0327】
【数116】
Figure 2004503983
【0328】
により
【0329】
【数117】
Figure 2004503983
【0330】
を用いてサンプリングされる。
このアルゴリズムがp(dγ0:t+L|y1:t+L)を不変量分布として認めることを証明することは容易である。
【0331】
【数118】
Figure 2004503983
【0332】
からのサンプリングは、A.DoucetおよびC.Andrieuらによる「Iterative algorithms for optimal state estimation of jump Markov linear systems」Proc.Conf.IEEE ICASSP、1999年(この開示の内容は、参考のため、本明細書中に援用される)に開示されるように、O(L+1)複雑性の後方(backward−forward)アルゴリズムを介して効率的に行われ得る。時間t+Lにおいて、このサンプリングは、i番目の粒子に関して以下にまとめられるように、進行する。
【0333】
k=t+L,...,t,の場合、2つのシステム(17)および(19)に関して(50)〜(51)に定義される情報フィルタを動作することにより
【0334】
【数119】
Figure 2004503983
【0335】
を計算および格納する。
(前方ステップ)
k=t,...,t+Lの場合、
(43)における提案(proposal)分布を用いて、プロポーサルγ〜q(dγ|γ−,y0:t+L)をサンプリングする。
【0336】
現在の値
【0337】
【数120】
Figure 2004503983
【0338】
および提案された値γに関して、(48)〜(49)におけるカルマンフィルタの1工程を実行し、(41)を用いて、これらの事後確率を計算し、かつ2つのシステム(17)および(19)に関して計算する。
【0339】
(44)に定義される、MH受容確率(acceptance probability)
【0340】
【数121】
Figure 2004503983
【0341】
を計算する。
【0342】
【数122】
Figure 2004503983
【0343】
である場合、セット
【0344】
【数123】
Figure 2004503983
【0345】
であり、他の場合は
【0346】
【数124】
Figure 2004503983
【0347】
である。
【0348】
MH工程の各々に関する目標の事後分布は、
【0349】
【数125】
Figure 2004503983
【0350】
により与えられる。
【0351】
およびxという2つの表現の間には類似点がある。これらの2つの項は、システム(17)および(19)に関する2つのカルマンフィルタを最初に用いて、同じ方法で計算され得、
【0352】
【数126】
Figure 2004503983
【0353】
を取得し、次に、2つの情報フィルタを用いて、
【0354】
【数127】
Figure 2004503983
【0355】
および
【0356】
【数128】
Figure 2004503983
【0357】
に関する類似の表現を取得する。含まれる異なった行列は、以下のように定義される。
【0358】
【数129】
Figure 2004503983
【0359】
とすれば、ここで、
【0360】
【数130】
Figure 2004503983
【0361】

【0362】
【数131】
Figure 2004503983
【0363】
のゼロでない単一値
【0364】
【数132】
Figure 2004503983
【0365】
を含む対角行列であり、
【0366】
【数133】
Figure 2004503983
【0367】
は、ゼロでない単一の値に対応する
【0368】
【数134】
Figure 2004503983
【0369】
の列を含む行列であり、ここで、
【0370】
【数135】
Figure 2004503983
【0371】

【0372】
【数136】
Figure 2004503983
【0373】
の単一値の分解である。行列
【0374】
【数137】
Figure 2004503983
【0375】
は、
【0376】
【数138】
Figure 2004503983
【0377】
により与えられる。
【0378】
MH工程を用いる(41)における分布からサンプリングするために、ここで、プロポーサル分布は、
【0379】
【数139】
Figure 2004503983
【0380】
および
q(γ|γ−,y0:t+L)αp(β|βk−1,βk+1)q(x|x−k,β0:t+L,y0:t+L)                      (43)
であると解され、
これは、システム(14)に関するワンステップアヘッドカルマンフィルタを必要とする。両方の場合、
【0381】
【数140】
Figure 2004503983
【0382】
である。マルコフ連鎖の状態の現在の、および予定された新しい値がγおよびγ’によりそれぞれ与えられた場合、MH受容確率は、
α(γ,γ’)=min{1,r(γ,γ’)}     (44)
となり、
ただし、受容比率は
【0383】
【数141】
Figure 2004503983
【0384】
により与えられる。
【0385】
各反復において、モンテカルロ固定遅延平滑子の計算上の複雑さは、O((L+1)N)であり、時間tからt+Lのすべての軌道の経路、すなわち
【0386】
【数142】
Figure 2004503983
【0387】
および十分な統計学(sufficient statistics)
【0388】
【数143】
Figure 2004503983
【0389】
を記憶する必要がある。
【0390】
各反復における、このアルゴリズムの計算の複雑さは、明らかにO(N)である。一見して、すべての軌道の経路
【0391】
【数144】
Figure 2004503983
【0392】
を記憶することが必要に思われ得るので、格納の要求は、時間とともに線形に増加する。実際、最適インポータンス分布と事前インポータンス分布の両方に関して、π(γ|γ0:t−1,y1:t)およびγ0:t−1関連のインポータンス重みは、低次元の十分な統計
【0393】
【数145】
Figure 2004503983
【0394】
を介してのみγ0:t−1に依存し、これらの値のみが記憶される必要がある。従って、格納の要求は、さらにO(N)であり、時間の経過とともに増加しない。
【0395】
(付録:カルマンフィルタ帰納)
システムは、
t+1=At+1x1+Bt+1υt+1               (46)
=C+D                    (47)
が考察される。
【0396】
ここで公知であると想定されるシーケンス
【0397】
【数146】
Figure 2004503983
【0398】
すなわちカルマンフィルタの式は以下のとおりである。
【0399】
【数147】
Figure 2004503983
【0400】
ここで、
【0401】
【数148】
Figure 2004503983
【0402】
と推定される。
【0403】
後方情報フィルタは、時間t+Lからtへと進行する。
【0404】
【数149】
Figure 2004503983

【図面の簡単な説明】
【図1】
図1は、信号ソースおよび通信チャンネルを示す図である。
【図2】
図2は、部屋の中の音響音ソースおよび本発明の実施形態を構成する方法を実行する装置を示す図である。
【図3】
図3は、本発明の実施形態を構成する方法を示す流れ図である。

Claims (38)

  1. 少なくとも1つの汚染信号と、該少なくとも1つの汚染信号が測定される、少なくとも1つの通信チャンネルとを含むシステムから、少なくとも1つの所望の信号を抽出する方法であって、少なくとも1つの第1の時間変動パラメータを用いて、該少なくとも1つの所望の信号を第1の動状態空間システムとしてモデリングする工程と、該少なくとも1つの通信チャンネルを、少なくとも1つの第2のパラメータを有する第2の状態空間システムとしてモデリングする工程とを包含する、方法。
  2. 前記少なくとも1つの所望の信号は、物理的プロセスにより生成される、請求項1に記載の方法。
  3. 前記少なくとも1つの第1のパラメータは、物理的生成プロセスをモデリングする、請求項2に記載の方法。
  4. 前記少なくとも1つの第2のパラメータは固定され、かつ未知である、請求項1〜3のいずれか1つに記載の方法。
  5. 前記少なくとも1つの第2のパラメータは時間変動である、請求項1〜3のいずれか1つに記載の方法。
  6. 少なくとも1つの第1の時間変動パラメータは、前記少なくとも1つの第2の時間変動パラメータの変化のレートとは異なる変化のレートを有する、請求項5に記載の方法。
  7. 前記少なくとも1つの第1の時間変動パラメータの前記変化のレートは、前記少なくとも1つの第2の時間変動パラメータの前記変化のレートよりも、平均的に大きい、請求項6に記載の方法。
  8. 前記少なくとも1つの所望の信号は、複数の所望の信号を含み、該複数の所望の信号の各々は、それぞれの状態空間システムとしてモデリングされる、請求項1〜7のいずれか1つに記載の方法。
  9. 少なくとも1つの複数の所望の信号であるが、前記複数の所望の信号の全部ではない信号は、少なくとも第3のパラメータを用いてモデリングされ、該第3のパラメータまたは該第3のパラメータの各々は、固定され、かつ未知である、請求項8に記載の方法。
  10. 少なくとも1つの複数の所望の信号であるが、前記複数の所望の信号の全体ではない信号は、少なくとも第4のパラメータを用いてモデリングされ、該第4のパラメータまたは該第4のパラメータの各々は、固定され、かつ未知である、請求項8または9に記載の方法。
  11. 前記第2のパラメータまたは各第2のパラメータは公知である、請求項1〜10のいずれか1つに記載の方法。
  12. 前記少なくとも1つの通信チャンネルは、複数の通信チャンネルを備え、前記少なくとも1つの汚染信号は、複数の汚染信号を含む、請求項1〜11のいずれか1つに記載の方法。
  13. 前記通信チャンネルの数は、所望の信号の数よりも多いか、または該所望の信号の数と等しい、請求項12に記載の方法。
  14. 前記少なくとも1つの汚染信号は、前記所望の信号の少なくともいくつかの時間遅延バージョンの線形の組み合わせを含む、請求項8〜10および13のいずれか1つ、あるいは、請求項8に従属する場合、請求項11または12に記載の方法。
  15. 前記少なくとも1つの汚染信号は、前記少なくとも1つの所望の、雑音で汚染された信号を含む、請求項1〜14のいずれか1つに記載の方法。
  16. 前記少なくとも1つのチャンネルは、異なった長さの複数の信号伝播経路を含む、請求項1〜15のいずれか1つに記載の方法。
  17. 前記少なくとも1つの所望の信号はアナログ信号を含む、請求項1〜16のいずれか1つに記載の方法。
  18. 前記アナログ信号は一時的にサンプリングされるアナログ信号である、請求項17に記載の方法。
  19. 前記少なくとも1つの所望の信号は音声信号を含む、請求項17または18に記載の方法。
  20. 前記少なくとも1つの音声信号は音声である、請求項19に記載の方法。
  21. 汚染信号は、音声フィールドを空間的にサンプリングすることにより測定される、請求項12に従属する場合に請求項19または20に記載の方法。
  22. 少なくとも1つの第1のパラメータは、雑音生成モデリングパラメータを含む、請求項3に従属する場合に請求項19〜21のいずれ1つに記載の方法。
  23. 前記少なくとも1つの第1のパラメータは、ホルマントモデリングパラメータを含む、請求項22に記載の方法、または請求項3に従属する場合に請求項19〜21のいずれか1つに記載の方法。
  24. 前記少なくとも1つの所望の信号は、時間変動自己回帰としてモデリングされる、請求項1〜23のいずれか1つに記載の方法。
  25. 前記少なくとも1つの所望の信号は、移動平均モデルである、請求項1〜23のいずれか1つに記載の方法。
  26. 前記少なくとも1つの所望の信号は、非線形時間変動モデルとしてモデリングされる、請求項1〜23のいずれか1つに記載の方法。
  27. 前記少なくとも1つの通信チャンネルは、有限インパルス応答モデルとしてモデリングされる、請求項1〜26のいずれか1つに記載の方法。
  28. 前記少なくとも1つの通信チャンネルは、無限インパルス応答モデルとしてモデリングされる、請求項1〜26のいずれか1つに記載の方法。
  29. 前記少なくとも1つの通信チャンネルは、非線形時間変動モデルとしてモデリングされる、請求項1〜26のいずれか1つに記載の方法。
  30. 前記第1の状態空間システムは、確率モデルを用いてモデリングされる、少なくとも1つのパラメータを有する、請求項1〜29のいずれか1つに記載の方法。
  31. 前記少なくとも1つの所望の信号は、ベイズの反転により抽出される、請求項30に記載の方法。
  32. 前記少なくとも1つの所望の信号は、最尤法により抽出される、請求項30に記載の方法。
  33. 前記少なくとも1つの所望の信号は、最小2乗法により抽出される、請求項30に記載の方法。
  34. 信号抽出は、逐次モンテカルロ法または粒子フィルタにより実行される、請求項31〜33のいずれか1つに記載の方法。
  35. 前記信号抽出は、カルマンフィルタまたは拡張カルマンフィルタにより実行される、請求項31〜35のいずれか1つに記載の方法。
  36. 請求項1〜35のいずれか1つに記載の方法を実行するコンピュータを制御するプログラム。
  37. 請求項36に記載のプログラムを含むキャリア。
  38. 請求項36に記載のプログラムによりプログラミングされるコンピュータ。
JP2002511497A 2000-06-16 2001-06-14 信号を抽出する方法 Expired - Fee Related JP4402879B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
GB0014636A GB2363557A (en) 2000-06-16 2000-06-16 Method of extracting a signal from a contaminated signal
PCT/GB2001/002666 WO2001097415A1 (en) 2000-06-16 2001-06-14 Method of extracting a signal

Publications (2)

Publication Number Publication Date
JP2004503983A true JP2004503983A (ja) 2004-02-05
JP4402879B2 JP4402879B2 (ja) 2010-01-20

Family

ID=9893704

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2002511497A Expired - Fee Related JP4402879B2 (ja) 2000-06-16 2001-06-14 信号を抽出する方法

Country Status (7)

Country Link
US (2) US7110722B2 (ja)
EP (1) EP1290816B1 (ja)
JP (1) JP4402879B2 (ja)
AU (1) AU2001264141A1 (ja)
DE (1) DE60136176D1 (ja)
GB (1) GB2363557A (ja)
WO (1) WO2001097415A1 (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004302470A (ja) * 2003-03-31 2004-10-28 Microsoft Corp 漸進的ベイズ学習を使用する雑音推定の方法
JP2004310098A (ja) * 2003-04-01 2004-11-04 Microsoft Corp スイッチング状態空間型モデルによる変分推論を用いた音声認識の方法
JP2008058876A (ja) * 2006-09-04 2008-03-13 Nippon Telegr & Teleph Corp <Ntt> 音声信号区間推定方法、及びその装置とそのプログラムとその記憶媒体
JP2008145923A (ja) * 2006-12-13 2008-06-26 Nippon Telegr & Teleph Corp <Ntt> 音声信号区間推定装置、その方法、そのプログラム及び記録媒体
JP2009501940A (ja) * 2005-06-28 2009-01-22 マイクロソフト コーポレーション 音声状態モデルを使用したマルチセンサ音声高品質化
US8548036B2 (en) 2009-06-24 2013-10-01 Autonetworks Technologies, Ltd. Noise detection method, noise detection apparatus, simulation method, simulation apparatus, and communication system

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6954745B2 (en) 2000-06-02 2005-10-11 Canon Kabushiki Kaisha Signal processing system
US7035790B2 (en) 2000-06-02 2006-04-25 Canon Kabushiki Kaisha Speech processing system
US7072833B2 (en) 2000-06-02 2006-07-04 Canon Kabushiki Kaisha Speech processing system
US7010483B2 (en) 2000-06-02 2006-03-07 Canon Kabushiki Kaisha Speech processing system
GB2363557A (en) * 2000-06-16 2001-12-19 At & T Lab Cambridge Ltd Method of extracting a signal from a contaminated signal
US8045604B2 (en) * 2004-07-07 2011-10-25 University Of Utah Research Foundation Estimation of log-likelihood using constrained markov-chain monte carlo simulation
US7848440B2 (en) * 2005-07-07 2010-12-07 University Of Utah Research Foundation Multi-channel communication method and apparatus using plural Markov Chain Monte Carlo simulations
US7457367B2 (en) * 2004-07-07 2008-11-25 University Of Utah Research Foundation Detector and method for estimating data probability in a multi-channel receiver
JP4787329B2 (ja) * 2005-11-11 2011-10-05 テレフオンアクチーボラゲット エル エム エリクソン(パブル) 電力推定における複雑さの低減
ES2391870T3 (es) 2007-02-12 2012-11-30 Henkel Ag & Co. Kgaa Procedimiento para tratar superficies metálicas
US20090030683A1 (en) * 2007-07-26 2009-01-29 At&T Labs, Inc System and method for tracking dialogue states using particle filters
DE102007044671B4 (de) * 2007-09-18 2013-02-21 Deutsches Zentrum für Luft- und Raumfahrt e.V. Verfahren zur Schätzung von Parametern eines in einer dynamischen Mehrwegeumgebung empfangenen GNSS-Navigationssignals
US9530435B2 (en) * 2011-02-01 2016-12-27 Nec Corporation Voiced sound interval classification device, voiced sound interval classification method and voiced sound interval classification program
US9942731B2 (en) * 2015-05-27 2018-04-10 Otto Engineering, Inc. Radio alert system and method
CN108417220B (zh) * 2018-02-11 2019-06-25 陕西师范大学 基于代理模型Volterra建模的语音信号编码和解码方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5581580A (en) * 1993-05-20 1996-12-03 Telefonaktiebolaget Lm Ericsson Low complexity model based channel estimation algorithm for fading channels
FI941268A (fi) * 1994-03-17 1995-09-18 Nokia Telecommunications Oy Menetelmä vastaanotetun tehon arvioimiseksi sekä vastaanotin
AUPO170196A0 (en) * 1996-08-16 1996-09-12 University Of Alberta A finite-dimensional filter
US5870001A (en) * 1996-10-22 1999-02-09 Telefonaktiebolaget L M Ericsson (Publ) Apparatus, and associated method, for calibrating a device
EP1088394B1 (en) * 1998-06-18 2004-01-14 Clarity, LLC Adaptive state space signal separation, discrimination and recovery architectures and their adaptations for use in dynamic environments
US6691073B1 (en) * 1998-06-18 2004-02-10 Clarity Technologies Inc. Adaptive state space signal separation, discrimination and recovery
GB2363557A (en) * 2000-06-16 2001-12-19 At & T Lab Cambridge Ltd Method of extracting a signal from a contaminated signal

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004302470A (ja) * 2003-03-31 2004-10-28 Microsoft Corp 漸進的ベイズ学習を使用する雑音推定の方法
JP2004310098A (ja) * 2003-04-01 2004-11-04 Microsoft Corp スイッチング状態空間型モデルによる変分推論を用いた音声認識の方法
JP2009501940A (ja) * 2005-06-28 2009-01-22 マイクロソフト コーポレーション 音声状態モデルを使用したマルチセンサ音声高品質化
JP2008058876A (ja) * 2006-09-04 2008-03-13 Nippon Telegr & Teleph Corp <Ntt> 音声信号区間推定方法、及びその装置とそのプログラムとその記憶媒体
JP2008145923A (ja) * 2006-12-13 2008-06-26 Nippon Telegr & Teleph Corp <Ntt> 音声信号区間推定装置、その方法、そのプログラム及び記録媒体
JP4673828B2 (ja) * 2006-12-13 2011-04-20 日本電信電話株式会社 音声信号区間推定装置、その方法、そのプログラム及び記録媒体
US8548036B2 (en) 2009-06-24 2013-10-01 Autonetworks Technologies, Ltd. Noise detection method, noise detection apparatus, simulation method, simulation apparatus, and communication system
US8718124B2 (en) 2009-06-24 2014-05-06 Autonetworks Technologies, Ltd. Noise detection method, noise detection apparatus, simulation method, simulation apparatus, and communication system

Also Published As

Publication number Publication date
GB0014636D0 (en) 2000-08-09
JP4402879B2 (ja) 2010-01-20
GB2363557A (en) 2001-12-19
US7110722B2 (en) 2006-09-19
US20060183430A1 (en) 2006-08-17
EP1290816A1 (en) 2003-03-12
DE60136176D1 (de) 2008-11-27
AU2001264141A1 (en) 2001-12-24
EP1290816B1 (en) 2008-10-15
WO2001097415A1 (en) 2001-12-20
US20040014445A1 (en) 2004-01-22

Similar Documents

Publication Publication Date Title
JP4402879B2 (ja) 信号を抽出する方法
Crisan et al. A survey of convergence results on particle filtering methods for practitioners
Vermaak et al. Particle methods for Bayesian modeling and enhancement of speech signals
Carpenter et al. Building robust simulation-based filters for evolving data sets
Hlinka et al. Consensus-based distributed particle filtering with distributed proposal adaptation
Bergamasco et al. Active noise control with on-line estimation of non-Gaussian noise characteristics
US20020055913A1 (en) Signal processing system
US8244787B2 (en) Optimum nonlinear correntropy filter
Christensen et al. Estimating absorption of materials to match room model against existing room using a genetic algorithm
Vairetti et al. A scalable algorithm for physically motivated and sparse approximation of room impulse responses with orthonormal basis functions
Huemmer et al. Estimating parameters of nonlinear systems using the elitist particle filter based on evolutionary strategies
San Millan-Castillo et al. On the use of decision tree regression for predicting vibration frequency response of handheld probes
JP2017194670A (ja) コードブックベースのアプローチを利用したカルマンフィルタリングに基づく音声強調法
Yan et al. NARMAX model identification using a set-theoretic evolutionary approach
Hill et al. Convergence of exponentiated gradient algorithms
Henderson et al. Computing densities for Markov chains via simulation
Andrieu et al. A particle filter for model based audio source separation
Mi et al. Adaptive rational orthogonal basis functions for identification of continuous-time systems
Botts et al. Design of IIR filters with Bayesian model selection and parameter estimation
Bronstein et al. Relative optimization for blind deconvolution
JP2006330687A (ja) 信号分離装置、信号分離方法、そのプログラムおよび記録媒体
Jian et al. Sequential detection of convexity from noisy function evaluations
Nolan et al. Bayesian selection of plane-wave decomposition models
Okamoto et al. Wide-band dereverberation method based on multichannel linear prediction using prewhitening filter
Richards Approximate Methods For Otherwise Intractable Problems

Legal Events

Date Code Title Description
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20050624

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20061002

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20061221

A602 Written permission of extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A602

Effective date: 20070115

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20070402

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20080326

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20080613

A602 Written permission of extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A602

Effective date: 20080620

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20080711

A602 Written permission of extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A602

Effective date: 20080718

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20080814

A602 Written permission of extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A602

Effective date: 20080821

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20080926

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20091002

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20091030

R150 Certificate of patent or registration of utility model

Free format text: JAPANESE INTERMEDIATE CODE: R150

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20121106

Year of fee payment: 3

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20121106

Year of fee payment: 3

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20131106

Year of fee payment: 4

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

LAPS Cancellation because of no payment of annual fees