一种强噪声环境下的振动信号盲源分离方法

1.本发明涉及混叠振动信号的分离技术领域，具体为一种强噪声环境下的振动信号盲源分离方法。


背景技术：

2.盲源信号分离是20世纪90年代迅速发展起来的一个研究领域，它具有可靠的理论基础和许多方面的应用潜力，尤其在生物医学工程、医学图像、语音增强、遥感、通信系统、地震探测、地球物理学、计量经济学和数据控掘等领域有着广泛而诱人的前景，盲源分离成为信号处理和神经网络领域的研究热点，例如，人耳的听力系统在嘈杂环境中可以自动识别各类音源，专注于感兴趣的特定声音，而语音设备在这方面存在局限性，盲源分离是解决该问题很好的方法。
3.在目前针对盲源信号的分离，传统算法比如维纳滤波，或者独立分量分析都可以解决这个问题，但是都存在局限性，现有的盲源信号的分离方法，在低信噪比的环境下，语音增强效果很差，导致呈现的语音质量无法满足人们日常的使用需求，仍然存在噪音、语音不清晰的情况，故而我们提出了一种强噪声环境下的振动信号盲源分离方法。


技术实现要素：

4.(一)解决的技术问题
5.针对现有技术的不足，本发明提供了一种强噪声环境下的振动信号盲源分离方法，具备语音增强效果好等优点，解决了目前针对盲源信号的分离方法都存在局限性，现有的盲源信号的分离方法，在低信噪比的环境下，语音增强效果很差，导致呈现的语音质量无法满足人们日常的使用需求，仍然存在噪音、语音不清晰的情况的问题。
6.(二)技术方案
7.为实现上述语音增强效果好目的，本发明提供如下技术方案：
8.一种强噪声环境下的振动信号盲源分离方法，包括以下步骤：
9.1)导入音频信号数据，并对音频信号进行混叠；
10.2)通过基于小波预处理的lms算法去噪，同时用pca对音频信号数据进行降维白化预处理，得到零均值白化信号矢量；
11.3)采用“基于负熵的fastica算法+维纳滤波算法”，对混叠后的信号进行语音信号增强；
12.4)求解出预处理信号的四阶累积量，并将计算出的累积量矩阵的对角元素的平方和作为代价函数；
13.5)通过累积量矩阵的联合近似对角化，得到分离矩阵和分离信号。
14.优选的，所述基于负熵的fastica算法就是求解非高斯性最大时候的目标函数，在整个求解过程中，采用牛顿迭代法来获取最优解。
15.优选的，在所述步骤3)，采用基于负熵的fastica算法来进行特征提取，特征提取
的实质就是求解解混矩阵，并在在已经求解出解混矩阵的基础上结合维纳滤波算法，实现对混叠后的语音信号的增强。
16.优选的，在所述步骤2)，基于小波预处理的lms算法为，先使用小波包阈值降噪算法来去除噪声的脉冲部分，然后通过基于lms的自适应噪声消除系统消除残留的噪声信号。
17.优选的，所述小波包阈值降噪算法包括脉冲检测和脉冲消除，音频信号数据先经过脉冲检测，检测出音频信号数据的脉冲噪声以后，再对音频信号数据进行脉冲消除，从而完成音频信号数据的降维白化预处理。
18.优选的，所述基于负熵的fastica算法中，负熵主要负责衡量非高斯性，具有相同方差的音频信号数据的随机变量，其非高斯性越强，熵值越小，其负熵值越大。
19.优选的，所述负熵的计算通常采用非多项式函数逼近概率密度函数的方法对负熵进行近似估计，其计算公式如下：
20.j(y)
∝
{e[g(y)]-e[g(u)]}2[0021]
其中，u为零均值单位方差的高斯变量；y为具有零均值单位方差的随机量；g(
·
)为任意非负二次函数。
[0022]
优选的，在所述步骤2)，对音频信号数据进行降维白化预处理主要是指，将音频信号数据通过线性变换，转换成白色信号，而在白化过程中采用特征值分解法进行求解。
[0023]
(三)有益效果
[0024]
与现有技术相比，本发明提供了一种强噪声环境下的振动信号盲源分离方法，具备以下有益效果：
[0025]
1、该强噪声环境下的振动信号盲源分离方法，通过采用基于负熵的fastica算法对混叠后的信号进行语音信号增强；应用维纳滤波算法，使得估计信号与特征提取出的语音信号之间的均方误差最小，继而从接收的强噪声语音中估计出纯净的语音信号，算法增强效果较之未改进前的算法，信噪比大大提升，提出了一种基于小波预处理的lms算法，能够有效抑制噪声，实现了最大程度的降低噪音，使得呈现出的语音的质量更高，更加的清晰，从而极大的满足了人们的日常使用需求。
[0026]
2、该强噪声环境下的振动信号盲源分离方法，通过提出了一种基于小波预处理的新lms算法来提高自适应噪声消除系统的降噪效果，新的基于小波预处理的新lms算法在存在脉冲噪声，低信噪比的环境下，比基本lms算法在降噪、增强语音方面效果更好，该基于小波预处理的新lms算法首先采用小波包阈值降噪算法来去除噪声的脉冲部分，然后通过基于lms的自适应噪声消除系统消除残留的噪声信号，改进的基于小波预处理的新lms算法确实具有更好的降噪效果和实用价值。
具体实施方式
[0027]
下面将结合本发明的实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0028]
一种强噪声环境下的振动信号盲源分离方法，包括以下步骤：
[0029]
1)导入音频信号数据，并对音频信号进行混叠；
[0030]
2)通过基于小波预处理的lms算法去噪，同时用pca对音频信号数据进行降维白化预处理，得到零均值白化信号矢量；
[0031]
3)采用“基于负熵的fastica算法+维纳滤波算法”，对混叠后的信号进行语音信号增强；
[0032]
4)求解出预处理信号的四阶累积量，并将计算出的累积量矩阵的对角元素的平方和作为代价函数；
[0033]
5)通过累积量矩阵的联合近似对角化，得到分离矩阵和分离信号。
[0034]
在本实施例中，传统的维纳滤波算法到解决bss问题的fastica算法——fastica算法是一种收敛速度快，稳定性好的算法，但是维纳滤波结合fastica算法的增强效果比单独的维纳滤波和fastica算法都要好一些，几乎恢复出纯净的语音信号，维纳滤波结合fastica算法的增强效果显著，具有更高的输出信噪比，能够有效的实现降低噪音和增强语音的目的。
[0035]
在本实施例中，提出了基于小波预处理的lms算法，该算法经仿真验证，抑制噪声能力强，传统自适应波束形成算法依赖于阻塞矩阵的性能，噪声抑制能力弱并且整个系统稳定性差，在原算法基础上使用fastica算法来替代anc模块提取阵列接收信号中的期望语音信号，有效提高了系统的噪声抑制能力和稳定性。
[0036]
在本实施例中，在“基于负熵的fastica算法+维纳滤波算法”中，改进基于负熵的fastica算法来改进传统的原本使用的gsc算法，具体就是在原算法的基础上，将gsc算法的anc模块替换成改进的fastica算法模块来提取源信号，这种改进方法能够有效弥补经阻塞矩阵得到的噪声干扰信号串音到原有anc模块的不足，通过仿真验证改进后的算法在确保有效分离的同时，还能提高信号信噪比，增强抗噪能力以及系统稳定性。
[0037]
在本实施例中，从噪声中提取信号波形的各种估计方法中，维纳滤波算法是一种最基本的算法，适用于需要从噪声中分离出的有用信号是整个信号(波形)，而不只是它的几个参量，设维纳滤波器的输入为含噪声的随机信号，期望输出与实际输出之间的差值为误差，对该误差求均方，即为均方误差，因此均方误差越小，噪声滤除效果就越好，为使均方误差最小，关键在于求冲激响应，如果能够满足维纳-霍夫方程，就可使维纳滤波器达到最佳。
[0038]
本发明的有益效果是：该强噪声环境下的振动信号盲源分离方法，通过采用基于负熵的fastica算法对混叠后的信号进行语音信号增强；应用维纳滤波算法，使得估计信号与特征提取出的语音信号之间的均方误差最小，继而从接收的强噪声语音中估计出纯净的语音信号，算法增强效果较之未改进前的算法，信噪比大大提升，提出了一种基于小波预处理的lms算法，能够有效抑制噪声，实现了最大程度的降低噪音，使得呈现出的语音的质量更高，更加的清晰，从而极大的满足了人们的日常使用需求。
[0039]
并且，该强噪声环境下的振动信号盲源分离方法，通过提出了一种基于小波预处理的新lms算法来提高自适应噪声消除系统的降噪效果，新的基于小波预处理的新lms算法在存在脉冲噪声，低信噪比的环境下，比基本lms算法在降噪、增强语音方面效果更好，该基于小波预处理的新lms算法首先采用小波包阈值降噪算法来去除噪声的脉冲部分，然后通过基于lms的自适应噪声消除系统消除残留的噪声信号，改进的基于小波预处理的新lms算法确实具有更好的降噪效果和实用价值，解决了目前针对盲源信号的分离方法都存在局限
性，现有的盲源信号的分离方法，在低信噪比的环境下，语音增强效果很差，导致呈现的语音质量无法满足人们日常的使用需求，仍然存在噪音、语音不清晰的情况的问题。
[0040]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.一种强噪声环境下的振动信号盲源分离方法，其特征在于，包括以下步骤：1)导入音频信号数据，并对音频信号进行混叠；2)通过基于小波预处理的lms算法去噪，同时用pca对音频信号数据进行降维白化预处理，得到零均值白化信号矢量；3)采用“基于负熵的fastica算法+维纳滤波算法”，对混叠后的信号进行语音信号增强；4)求解出预处理信号的四阶累积量，并将计算出的累积量矩阵的对角元素的平方和作为代价函数；5)通过累积量矩阵的联合近似对角化，得到分离矩阵和分离信号。2.根据权利要求1所述的一种强噪声环境下的振动信号盲源分离方法，其特征在于，所述基于负熵的fastica算法就是求解非高斯性最大时候的目标函数，在整个求解过程中，采用牛顿迭代法来获取最优解。3.根据权利要求1所述的一种强噪声环境下的振动信号盲源分离方法，其特征在于，在所述步骤3)，采用基于负熵的fastica算法来进行特征提取，特征提取的实质就是求解解混矩阵，并在在已经求解出解混矩阵的基础上结合维纳滤波算法，实现对混叠后的语音信号的增强。4.根据权利要求1所述的一种强噪声环境下的振动信号盲源分离方法，其特征在于，在所述步骤2)，基于小波预处理的lms算法为，先使用小波包阈值降噪算法来去除噪声的脉冲部分，然后通过基于lms的自适应噪声消除系统消除残留的噪声信号。5.根据权利要求4所述的一种强噪声环境下的振动信号盲源分离方法，其特征在于，所述小波包阈值降噪算法包括脉冲检测和脉冲消除，音频信号数据先经过脉冲检测，检测出音频信号数据的脉冲噪声以后，再对音频信号数据进行脉冲消除，从而完成音频信号数据的降维白化预处理。6.根据权利要求1所述的一种强噪声环境下的振动信号盲源分离方法，其特征在于，所述基于负熵的fastica算法中，负熵主要负责衡量非高斯性，具有相同方差的音频信号数据的随机变量，其非高斯性越强，熵值越小，其负熵值越大。7.根据权利要求6所述的一种强噪声环境下的振动信号盲源分离方法，其特征在于，所述负熵的计算通常采用非多项式函数逼近概率密度函数的方法对负熵进行近似估计，其计算公式如下：j(y)
∝
{e[g(y)]-e[g(u)]}2其中，u为零均值单位方差的高斯变量；y为具有零均值单位方差的随机量；g(
·
)为任意非负二次函数。8.根据权利要求1所述的一种强噪声环境下的振动信号盲源分离方法，其特征在于，在所述步骤2)，对音频信号数据进行降维白化预处理主要是指，将音频信号数据通过线性变换，转换成白色信号，而在白化过程中采用特征值分解法进行求解。

技术总结
本发明涉及混叠振动信号技术领域，且公开了一种强噪声环境下的振动信号盲源分离方法包括以下步骤：导入音频信号数据，并对音频信号进行混叠；通过基于小波预处理的LMS算法去噪，同时用PCA对音频信号数据进行降维白化预处理，得到零均值白化信号矢量；采用“基于负熵的FastICA算法+维纳滤波算法”，对混叠后的信号进行语音信号增强。该强噪声环境下的振动信号盲源分离方法，通过采用基于负熵的FastICA算法对语音信号进行增强；应用维纳滤波算法，从强噪声语音中估计出纯净的语音信号，信噪比大大提升，通过基于小波预处理的LMS算法，能够有效抑制噪声，使得呈现出的语音的质量更高，更加的清晰，从而极大的满足了人们的日常使用需求。需求。


技术研发人员：许鹏飞 贾银洁
受保护的技术使用者：宿迁学院
技术研发日：2023.01.29
技术公布日：2023/8/2