广义高斯分布在乐音盲分离中的应用研究

摘要

乐音信号作为一类随机信号被人们熟知，其概率密度函数全面描述了乐音信号的统计特性，是乐音信号处理的理论基础和分析工具，其应用涉及乐音信号检测、识别、分离、分类和特征提取等领域。本文用广义高斯分布(GeneralizedGaussian Distribution，GGD)对乐音信号的概率密度建模，并围绕广义高斯分布在乐音盲分离的应用展开研究，包括以下几方面内容:
　　 1.较深入地研究了乐音信号概率密度估计问题。鉴于广义高斯分布在语音概率模型中的理论基础，统计不同信源不同时长的时域乐音信号，以及STFT每个频带处时变成分的频率直方图。通过观察乐音信号直方图的形态变化，本文选择广义高斯分布对乐音信号的概率密度建模。
　　 2.考察广义高斯分布在时域乐音盲分离中的应用，将广义高斯分布用于时域乐音信号概率密度函数建模，给出一种基于GGD盲分离算法的确定形状参数的方式，称为基于GGD的动态参数估计，用于解决多通道乐音盲分离问题。为了加快收敛速度，将降采样处理加入动态参数估计ICA算法中，从而减少CPU运行时间。仿真实验表明基于GGD的动态参数估计ICA具有优良的性能，以及对同系混合乐音源和杂系混合乐音源的普适性。同时，用广义高斯分布对乐音信号时域基函数对应投影系数的概率密度函数进行建模，验证了基于时域基函数的单通道乐音盲分离的有效性。
　　 3.考察广义高斯分布在频域乐音盲分离中的应用，用广义高斯分布对STFT每个频带处时变成分的概率密度函数建模，解决频域内卷积混合乐音盲分离问题。为了更好地消除每个频带输出信号顺序不确定性的影响，本文提出基于复数平均相关的调序算法，实验结果表明该算法的有效性和稳定性。最后，将广义高斯分布与基于复数平均相关的调序算法相结合，改进传统的频域内乐音卷积盲分离算法，仿真实验表明该算法具有更优良的性能。

目录

声明

摘要

第一章 绪论

1．1 研究背景及意义

1．2 研究现状及发展趋势

1．3 本文主要工作及内容安排

第二章 基础理论及数学模型

2．1 线性瞬时盲分离理论基础

2．1．1 线性瞬时混合模型

2．1．2 ICA原理描述

2．2 线性卷积盲分离理论基础

2．2．1 卷积混合模型描述

2．2．2 时域和频域解卷积

2．3 本章小结

第三章 乐音信号的概率密度统计

3．1 统计相关基础知识

3．1．1 乐音信号的统计特性

3．1．2 频律直方图

3．1．3 非参数检验

3．2 时域统计模型

3．2．1 乐音信号的直方图

3．2．2 广义高斯模型及参数估计

3．2．3 广义高斯分布检验

3．3 频域统计模型

3．3．1 钢琴单音频谱直方图

3．3．2 歌唱声频谱直方图

3．3．3 乐音谐波直方圈的统计规律

3．4 本章小结

第四章 广义高斯分布在时域乐音盲分离的应用

4．1 多通道混合的广义高斯分布

4．1．1 基于广义高斯分布的极大似然方法

4．1．2 仿真实验

4．2 单通道混合的广义高斯分布

4．2．1 ICA特征提取的基本原理

4．2．2 基于ICA特征提取的单通道盲分离算法

4．2．3 仿真实验

4．3 本章小结

第五章 广义高斯分布在频域乐音盲分离的应用

5．1 基于广义高斯分布的频域盲分离

5．2 基于复数平均相关的调序方法

5．2．1 基于相关的调序算法

5．2．2 平均相关的调序算法

5．3 仿真实验

5．4 本章小结

第六章 总结与展望

6．1 主要研究工作与总结

6．2 工作展望

附录

参考文献

致谢

攻读学位期间发表的学术论文