武汉理工大学信息处理课群综合训练与设计
号进行分离观察分离后的波形图。
通过两次分离试验，通过分离前后时域频谱图的对比分析我们可以看出fastica算法可以很好的实现盲语音信号的分离。
图4.2.7 FastICA算法在ICA工具箱的实现
4.2.2 FastICA算法的分离性能分析
通过FastICA算法得到的分离信号后的波形图4.2.8图4.2.9与原始信号的波形图4.2.1图4.2.2可以看出该算法较好地恢复了原始信号的波形。为了定量地分析该算法的优劣性下面将对分离前后的相关系数及相对误差进行比较。 X1-y1 X2-y2 相关系数 -0.978041790257157 -0.97745701174455 相对误差 0.31547909862450 0.02656320903609 相关系数性质
（1）相关系数可正可负；
（2）相关系数的区间是[-1,1]，即∣ρxy∣≤1；
26
武汉理工大学信息处理课群综合训练与设计
（3）具有对称性；即X与Y之间的相关系数（rXY）和Y与X之间的相关系数（rYX）；
（4）相关系数与原点和尺度无关；
（5）如果X与Y统计上独立，则它们之间的相关系数为零；但是r=0不等于说两个变量是独立的。即零相关并不一定意味着独立性；
（6）相关系数是线性关联或线性相依的一个度量，它不能用于描述非线性关系；
（7）虽然相关系数是两个变量之间的线性关联的一个度量，却不一定有因果关系的含义；
一般来说，相关系数越接近于1，说明得到的分离结果越好，否则相反。由得到的相关系数都为1可知，经过独立成分分析的AastICA算法分离的效果相当好。
27
武汉理工大学信息处理课群综合训练与设计
5 结 论
盲源分离算法是盲源分离问题的核心，本文比较了几种算法的特点并选用FASTICA算法进行了验证，主要工作如下：
1．研究独立成分分析的原理及其基本模型。传统的选取盲源分离算法只适用于单纯超高斯信号(或者亚高斯信号)混合系统的分离，不适用于杂系混合(超高斯和亚高斯信号)系统的分离。论文中的ICA主要应用于盲源分离的实现。 2．语音信号是一种非平稳信号，本文研究了快速定点(FastICA)算法，利用这种算法有效地解决了噪声在语音信号中的分离问题。对算法进行了计算机仿真，并通过时域和频谱对仿真结果进行了比较。
盲源分离技术正在不断的发展，新的问题和算法层出不穷。虽然已经有很多成熟的盲源分离算法，但是，作者认为还是有很多问题待于进一步的研究和解决：
(1)带噪声混合信号的盲分离问题。由于在盲信号处理中，存在太多的未知条件，带噪声的混迭信号的盲分离是十分困难的。现在研究的大部分盲源分离或者盲反卷积算法，都假设无噪声的情况或者把噪声看作一个独立的源信号，
在高阶统计方法中，由于高斯信号高阶累计量为零，所以可以假设加性高斯噪声的存在，但是对于已有的盲源分离算法在什么情况下可以应用到一般的噪声 混迭模型，是有待解决的问题。
(2)欠完备情形的盲源分离问题。无论是盲源分离还是盲解卷积，现存的大 多数算法都假设传感器的数目大于或者等于源信号的个数，这是一种超完备形。然而，传感器数目少于信号源数目的欠完备问题也是需要解决的一大难题。
(3)非线性混合情形的盲源分离问题．本文主要研究的是源信号的线性混合 模型，而非线性混合模型才更具有一般性，对它的深入研究，也会使将来研究的一个热点问题。
(4)盲源分离算法的实际应用。现有的一些算法由于速度太慢，达不到实时要求，而无法应用于实际问题中。在保证算法性能的条件下，降低算法的复杂性提高计算效率，也是一个关于BSS的很重要的研究方向。
当前的语音信号盲分离算法所能解决的问题是有一定的适用范围和限制条
28
武汉理工大学信息处理课群综合训练与设计
件的，仍然处在实验室研究阶段，使这些算法从实验室真正走向应用还有很长的研究历程。
6 感想与总结
通过本次课程设计，使我对信号系统等几门课程有了更深入的理解。为了学好这些课程，必须在掌握理论知识的同时，加强上机实践。一个人的力量是有限的，要想把课程设计做的更好，就要学会参考一定的资料，吸取别人的经验，让自己和别人的思想有机的结合起来，得出属于你自己的灵感。
程序的编写需要有耐心，有些事情看起来很复杂，但问题需要一点一点去解决，分析问题，把问题一个一个划分，划分成小块以后就逐个去解决。再总体解决大的问题。这样做起来不仅有条理也使问题得到了轻松的解决。
通过这次的课程设计我对于专业课的学习有了更加深刻的认识，以为现在学的知识用不上就加以怠慢，等到想用的时候却发现自己的学习原来是那么的不扎实。以后努力学好每门专业课，让自己拥有更多的知识，才能解决更多的问题！
29
相关推荐：
loading