小波消噪和ICA在语音信号分离中的应用

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (3): 120-121.

• 数据库、信号与信息处理 • 上一篇下一篇

小波消噪和ICA在语音信号分离中的应用

王晓伟1，石林锁1，杨隆2，鲁秘3

1.第二炮兵工程大学 502教研室，西安 710025
2.第二炮兵工程技术总队，河南洛阳 471031
3.中国人民解放军 91515部队

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-01-21 发布日期:2012-01-21

Application of wavelet denoising and ICA in separating speech signals

WANG Xiaowei1, SHI Linsuo1, YANG Long2, LU Mi3

1.No.502 Faculty, The Second Artillery Engineering University, Xi’an 710025, China
2.Chief Engineering Technology Troop of Second Artillery, Luoyang, Henan 471031, China
3.No.91515 Unit of PLA

Received:1900-01-01 Revised:1900-01-01 Online:2012-01-21 Published:2012-01-21

摘要/Abstract

摘要： 为了消除语音信号分离中仍存在的部分混叠声音，提出一种基于小波消噪和独立分量分析（ICA）结合的信号分离方法。该方法将小波变换和独立分量分析结合，利用小波变换的去噪作用，滤除原始语音信号中的噪声后作为ICA的输入信号，采用FastICA算法在小波域进行独立分量分析，对输入信号实施分离。实验结果表明，该方法大大调高了传统独立分量分析对语音信号的分离效果。

关键词: 独立分量分析, 小波消噪, 语音分离

Abstract: A separation method is presented to remove the existence of part supposed speech based on wavelet transform and Independent Component Analysis（ICA）. Wavelet transform can remove the process noise in the original, from which the de-noise signals come out and it can be used as the input of ICA. FastICA is used to separate the input signals in wavelet domain to gain the low noise independent speech signal. The experiment results show that the proposed method improves the separation effects of the conventional method.

Key words: Independent Component Analysis（ICA）, wavelet de-noising, speech signal separation

王晓伟1，石林锁1，杨隆2，鲁秘3. 小波消噪和ICA在语音信号分离中的应用[J]. 计算机工程与应用, 2012, 48(3): 120-121.

WANG Xiaowei1, SHI Linsuo1, YANG Long2, LU Mi3. Application of wavelet denoising and ICA in separating speech signals[J]. Computer Engineering and Applications, 2012, 48(3): 120-121.

[1]	贾雁飞，杜艳丽，赵立权. 快速收敛参考独立分量分析方法[J]. 计算机工程与应用, 2020, 56(7): 255-259.
[2]	王灿锋，孙曜. 改进独立分量算法的眼电伪迹去除方法研究[J]. 计算机工程与应用, 2018, 54(4): 167-173.
[3]	仇国庆，张少昀，赵婉滢，马俊. 基于PSO-ICA的文本分类研究[J]. 计算机工程与应用, 2018, 54(14): 95-99.
[4]	何安玲，何选森. 基于有理非线性函数的Fast-ICA算法[J]. 计算机工程与应用, 2018, 54(1): 251-255.
[5]	赵立权，王欣. 基于改进的人工蜂群的独立分量分析方法[J]. 计算机工程与应用, 2017, 53(18): 204-207.
[6]	陈梦，何选森. 基于八阶收敛牛顿迭代的Fast-ICA改进算法[J]. 计算机工程与应用, 2017, 53(11): 178-181.
[7]	恩德1，陈亚柯1，毛哲龙2. 基于FastICA的低信噪比下L-PLC语音的间断传输[J]. 计算机工程与应用, 2016, 52(9): 108-111.
[8]	罗文娟1，袁莉芬1，2，何怡刚2. 一种基于十五阶的FastICA改进算法[J]. 计算机工程与应用, 2016, 52(20): 108-113.
[9]	蔡伟华，何选森. 基于UWT和独立分量分析的含噪盲源分离[J]. 计算机工程与应用, 2016, 52(16): 180-185.
[10]	汪道德1，何鹏举1，龙莉莉2. FSS-kernel与FastICA融合的盲源分离算法研究[J]. 计算机工程与应用, 2015, 51(2): 209-212.
[11]	张杰，刘辉，欧伦伟. 改进的FastICA算法研究[J]. 计算机工程与应用, 2014, 50(6): 210-212.
[12]	孙浩，周力，邱意敏. 基于最大信息理论和共轭梯度寻优的ICA算法[J]. 计算机工程与应用, 2014, 50(4): 219-222.
[13]	任静1，李维勤2，惠鏸2. 基于alpha稳定分布的盲信号分离[J]. 计算机工程与应用, 2014, 50(18): 215-219.
[14]	刘建立1，2，沈菁1，王蕾1，高卫东1. 织物纹理的简单视神经细胞感受野的选择特性[J]. 计算机工程与应用, 2014, 50(1): 185-190.
[15]	张明亮，王曙钊，卢虎，卞东亮，王博，杨勇. 噪声ICA模型去偏技术研究[J]. 计算机工程与应用, 2013, 49(5): 205-209.

小波消噪和ICA在语音信号分离中的应用

Application of wavelet denoising and ICA in separating speech signals

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics