语音信号盲分离—ICA算法共27页
基于ica的盲信源分离
摘要信源数未知和动态变化时的盲信源分离（Ｂｓｓ）是一个重要的热门研究课题。
近年来已提出了许多分离算法，其中有些算法如自然梯度、相对梯度等算法特别有效，但大多数算法都要求信源数己知并且固定，也就是说在信源数未知或动态变化的情况下，这些方法也不是每次都能得到良好的分离结果。
为此，本文提出了一类未知信源数的确定、信源数动态变化的检测和信源的在线盲分离的算法。
本文的主要工作有：·利用神经网络输出分量之间的相关系数，检测出冗余的输出信号，并通过改变动态神经网络（ＤＮＮ）的结构，删去冗余的输出信号。
ＤＮＮ的结构随信源个数的变化而变化，并采用自然梯度算法实现了未知信源数的确定、信源数动态变化的检测和信源的在线盲分离。
·基于独立分量分析（ＩＣＡ）的盲信源分离技术以及小波包分解技术，提出了根据能量特征向量确定信源数的方法。
在信源数未知或动态变化的情况下，首先采用自然梯度的ＩＣＡ算法在线分离出各输出分量，然后根据输出分量的小波包分解，得到各输出分量的能量特征向量，在线计算各能量特征向量之间的距离，可以检测出相干的输出信号分量，通过删除这些冗余的输出信号，可以确定出未知的信源数，并适合于信源数动态变化的情况。
·计算机仿真结果验证了论文提出算法的有效性。
关键词：盲信源分离独立分量分析自然梯度算法相关系数小波包动态神经网络ＡｂｓｔｒａｃｔＴｈｅｂｌｉｎｄｓｏｕｒｃｅｓｅｐａｒａｒｏｎ（Ｂｓｓ）ｗｈｅｎｔｈｅＳＯＵｒＣｅｎｕｍｂｅｒｉｓｕｎｋｎｏｗｎａｎｄｃｈａｎｇｅｓｄｙｎａｍｉｃａｌｌｙｉｓａｌｌｉｍｐｏｒｔａｎｔａｎｄｏｐｅｎｐｒｏｂｌｅｍ，Ｉｎｒｅｃｅｎｔｙｅａｒｓ，ｍａｎｙｓｅｐａｒａｔｉｎｇａｌｇｏｒｉｔｈｍｓｈａｖｅｂｅｅｎｄｅｖｅｌｏｐｅｄ，ｉｎｗｈｉｃｈｓｏｍｅａｌｇｏｒｉｔｈｍｓｓｕｃｈａｓｔｈｅｎａｔｕｒａｌｇｒａｄｉｅｎｔａｌｇｏｒｉｔｈｍａｎｄｒｅｌａｔｉｖｅｇｒａｄｉｅｎｔａｌｇｏｒｉｔｈｍｗｏｒｋｅｆｆｅｃｔｉｖｅＨｏｗｅｖｅｒ，ｍｅｓｔｏｆａｌｇｏｒｉｔｈｍｓｒｅｑｕｉｒｅｔｈａｔｔｈｅｎｕｍｂｅｒｏｆｓｏｕｒｃｅｓｉｓａｓｓｕｍｅｄｔｏｂｅｋｎｏｗｎａｐｒｉｏｒｉａｎｄｕｎｃｈａｎｇｅｄ＋Ｉｎｏｔｈｅｒｗｏｒｄ，ｔｈｏｓｅａｌｇｏｒｉｔｈｍｓｃａｎｒｉｏｔａｌｗａｙｓｏｂｔａｉｎｇｏｏｄｓｅｐａｒａｔｉｏｎｒｅｓｕｌｔｓ，ｗｈｅｎｔｈｅｓｏｕｒｃｅｎｕｍｂｅｒｉｓｕｎｋｎｏｗｎａｎｄｃｈａｎｇｅｓｄｙｎａｍｉｃａｌｌｙ．Ａｎｅｗａｌｇｏｒｉｔｈｍｉｓｉｎｔｒｏｄｕｃｅｄｉｎｔｈｉｓｐａｐｅｒ，ｗｈｉｃｈｉｓａｐｐｌｉｅｄ船ｔｈｅｄｅｔｅｒｍｉｎａｔｉｏｎｏｆｕｎｋｎｏｗｎｎｕｍｂｅｒｏｆｓｏｕｒｃｅｓａｎｄｔｈｅｄｅｔｅｃｔｉｏｎｏｆｔｈｅｓｏｕｒｃｅｎｕｍｂｅｒｄｙｎａｍｉｃａｌｌｙ，ａｓｗｄ！ａｓｔｈｅｏｎ－ｔｉｎｅｂｌｉｎｄｓｅｐａｒａｔｉｏｎｏｆ§ｏＴａｒｃｅ￥．Ｔｈｅｋｅｙｐｏｉｎｔｓｏｆｔｈｅｐａｐｅｒａｌｅａｓｆｏｌｌｏｗｓ：·ＢａｓｅｄｏｎｔｈｅｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｍａｍｏｎｇｔｈｅｅｌｅｍｅｎｔｓＯｆｏｕｔｐｔＲｖｅｃｔｏｒｏｆｎｅｕｒａｌｎｅｔｗｏｒｋ，ｔｈｅｒｅｄｕｎｄａｎｔｓｉｇｎａｉｉｎｏｕｔｐｕｔｃｏｍｐｏｎｅｎｔｓｃａｎｂｅｄｅｔｅｃｔｅｄ，ａｎｄｄｅｌｅｔｅｄｂｙｃｈａｎｇｉｎｇｔｈｅｓｔｒｕｃｔｕｒｅｏｆｄｙｎａｍｉｃｎｅｕｒａｌｎｅｔｗｏｒｋ（ＤＮＮ），ＴｈｅＤＮＮｕｓｉｎｇａａｔｕ罐ｇｒａｄｉｅｎｔａｌｇｏｒｉｔｈｍｃａｎｂｅｃｈａｎｇｅ４ｉｔｓｓｔｒｕｃｔｕｒｅｓｗｈｅｎｔｈｅｓｏｕｒｃｏｎｕｍｂｅｒｃａｒｔｉｓｃｈａｎｇｅｄｗｉｔｈＤＮＮ，ｔｈｅｕｎｋｎｏｗｎｓｏｕｒｃｅｎｕｍｂｅｒｃａｎｂｅｄｅｔｅｒｍｉｎｅｄ，ｔｈｅｃｈａｎｇｉｎｇｓｏｕｒｃｅｎｕｍｂｅｒｃａｌｌｂｅｄｅｔｅｃｔｅｄ，ａｎｄｔｈｅｍｉｘｅｄｓｏｕｒｃｅＣａｌｌｂｅｓｅｐａｒａｔｅｄｏｎ－ｌｉｎｅ．·Ｂａｓｅｄ０ｎｔｈｅｂｌｉｎｄｓｏｕｒｃｅｓｅｐａｒａｔｉｏｎｗｉｔｈｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ（ＩＣＡ）ａｎｄｗａｖｄｅｔｐａｃｋｅｔｄｅｃｏｍｐｏｓｉｔｉｏｎ，鑫ｎｅｗａｌｇｏｒｉｔｈｍｆｏｒｔｈｅｄｅｔｅｒｍｉｎａｔｉｏｎｏｆｔｈｅＳＯＵＳｅｎｕｍｂｅｒｉｓｐｒｅｓｅｎｔｅｄｕｓｉｎｇｔｈｅｅｎｅｒｇｙｃｈａｒａｃｔｅｒｉｓｔｉｃｖｅｃｔｏｒＩｎｔｈｅｃａｓｅｏｆｕｎｋｎｏｗｎｏｒｄｙｎａｍｉｃａｌｌｙｃｈａｎｇｉｎｇｎｕｍｂ＿ｅｒｏｆｓｏｕｒｃｅｓ，ｔｈｅｍｉｘｅｄｓｏｕｆ辑ｉｓｓｅｐａｒａｔｅｄｏｎ－ｌｉｎｅｕｓｉｎｇ［ＣＡｗｉｔｈｔｈｅｎａｔｕｒａｌｇｒａｄｉｅｎｔａｌｇｏｒｉｔｈｍ，Ｔｈｅｎｂａｓｅｄｏｎｔｈｅｗａｖｅｌｅｔｐａｃｋｅｔｄｅｃｏｍｐｏｓｉｔｉｏｎｏｆｏｕｔｐｕｔｃｏｍｐｏｎｅｎｔ，ｔｈｅｅｎｅｒｇｙｃｈａｒａｃｔｅｒｉｓｔｉｃｖｅｃ治ｒｏｆｅａｃｈｏｕｔｐｕｔｃｏｍｐｏｎｅｎｔｉｓｏｂｔａｉｎｅｄ．Ａｆｔｅｒ氇拣ｔｈｅｄｉｓｔａｎｃｅａｍｏｎｇｔｈｅｅｌｅｍｅｎｔｓｏｆｅｎｅｒｇｙｃｈａｒａｃｔｅｒｉｓｔｉｃｖｅｃｔｏｒａｒｅｃａｌｃｕｌａｔｅｄｏｎ－ｌｉｎｅ．Ｔｈｅｃｏｒｒｅｌａｔｉｏｎｏｕｔｐｕｔｓｉｇｎａｌｃｏｍｐｏｎｅｎｔｓｃａｌｌｂｅｄｅｔｅｃｔｅｄｂ豁酣ｏｎｔｈｅｓｅｄｉｓｔａｎｃｅｓ，Ｓｕｃｈｔｈｅｍｑｋｎｏｗｎｎｕｍｂｅｒｏｆｓｏｕｒｃｅｃａｎｂｅｄｅｔｅｒｍｉｎｅｄｂｙｄｅｌｅｔｉｎｇｔｈｅｒｅｄｕｎｄａｎｔｃｏｒｒｅｌａｔｉｏｎｏｕｔｐｕｔｃｏｍｐｏｎｅｎｔｓ．Ｔｈｉｓａｌｇｏｒｉｔｈｍｃａｎａｌｓｏｂｅａｐｐｌｉｅｄｔｏｔｈｅｃａｓｅｗｈｅｎｔｈｅ￥ｏＨｒｃｅｎｕｍｂｅｒｉｓｃｈａｎｇｉｎｇｄｙｎａｍｉｃａｌｌｙ．Ｔｈｅｃｏｍｐｕｔｅｒｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅａｌｇｏｒｉｔｈｍ．Ｋｅｙｗｏｒｄｓ：ＢｌｉｎｄＳｏｕｒｃｅＳｅｐａｒａｔｉｏｎ（Ｂｓｓ）ＩｎｄｅｐｅｎｄｅｎｔＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ（ＩＣＡ）ＮａｔｕｒａｌＧｒａｄｉｅｎｔＡｌｇｏｒｉｔｈｍ州ＧＡ）ＣｏｒｒｅｌｍｉｏｎＣｏｅｆｆｉｃｉｅｎｔＷａｖｅｌｅｔＰａｃｋｅｔＤｙｎａｍｉｃａｌＮｅｕｒａｌＮｅｔｗｏｒｋ（ＤＮＮ）创新性声明毒Ａ声鹳黪黧交静论文爰我个天程警耀蕹导下送行静辑裟工诺及驳褥骛鞣竞瘦聚。
基于ICA的语音信号盲分离
基于ICA的语音信号盲分离[摘要]语音信号盲分离处理的含义是指利用BSS技术对一段语音信号进行处理。
混合语音信号的分离是盲分离的重要内容，目前的混和语音分离大多是建立在无噪环境中的混叠情形下，主要以盲源分离(Blind Source Separation，BSS)，根据信号的统计特性从几个观测信号中恢复出未知的独立源成分。
本文重点研究了以语音信号为背景的盲源分离，在语音和听觉信号处理领域中，如何从混有噪声的的混叠语音信号中分离出各个语音源信号，来模仿人类的语音分离能力，成为一个重要的研究问题。
具体实现主要结合ICA技术，将语音去噪作为一个预处理过程，对带噪声的混叠语音盲分离进行了研究，本文详细了介绍了FastICA算法，将这种算法应用于实际的语音信号噪声分离中，并将分离出的语音信号与混合前的原信号进行了分析比较，验证了通过ICA实现语音信号的盲分离是切实可行的。
[关键词]语音信号，盲源分离，独立成分[Abstract]Blind separation of speech signals processing means for processing refers to a section of the speech signal of microphone detected by BSS technique. Separate the mixed speech signals is an important content of blind separation, the mixed speech separation is mostly based on noise free environment in the overlapping case, mainly to the blind source separation (Blind Source Separation, BSS), according to the statistical characteristics of the signal from the observed signals recover independent source component is unknown.This paper focuses on the blind source separation using speech signal as the background, in speech and audio signal processing field, separating each voice source signal from noisy mixed speech signals, to mimic human speech separation ability, has become an important research question. Concrete realization mainly with ICA technology, the speech denoising as a pretreatment process, the overlapping speech blind separation of mixed with noise is studied, this paper presents the FastICA algorithm, the speech signal noise separation of this algorithm is applied to the practice, and the original voice signal mixed with isolated anterior are analyzed and compared, verified by ICA to realize the blind separation of speech signals is feasible.[Keywords]speech signal, blind source separation, independent component analysis目录1 前言 (1)1.1盲语音信号分离技术的背景及意义 (1)1.2语音的特性 (1)2 语音信号特性及分析 (2)2.1语音的基本特征 (2)2.2语音处理的理论基础 (3)2.3语音信号的MATLAB应用程序 (3)2.3.1 输入语言的MATLBA 时域和频谱图程序分析 (3)2.3.2 混合语音信号的MATLBA 时域和频谱图程序分析 (7)3 盲信号处理 (10)3.1盲信号处理的基本概念 (10)3.2盲信号处理的方法和分类 (10)3.3盲信号处理技术的研究应用 (10)3.4独立成分分析分析 (11)3.4.1 独立成分分析的定义 (11)3.4.2 ICA的基本原理 (12)4 FASTICA算法 (14)4.1数据的预处理 (14)4.2F AST ICA算法 (14)4.3ICA分离的步骤 (15)4.4混合语音信号的波形图 (16)4.5分离后的信号的波形图 (17)4.6对比分析 (20)5 小结体会 (22)6参考文献 (23)7致谢 (24)8附件 (25)1 前言1.1 盲语音信号分离技术的背景及意义近年来，混合语音信号的分离成为语音信号处理领域的一个研究热点。
语音信号盲分离课程设计
（封面）XXXXXXX学院语音信号的盲分离课程设计报告题目：院（系）：专业班级：学生姓名：指导老师：时间：年月日课程设计任务书题目: 信息处理课群综合训练与设计——语音信号的盲分离初始条件：根据盲信号分离原理，用matlab采集两路以上的语音信号，选择合适的混合矩阵生成若干混合信号。
选取合适的盲信号分离算法（如独立成分分析ICA等）进行训练学习，求出分离矩阵和分离后的语音信要求完成的主要任务:（1）用matlab做出采样之后语音信号的时域和频域波形图（2）选择合适的混合矩阵，得到混合信号，并做出其时域波形和频谱图（3）采用混合声音信号进行训练学习，求出分离矩阵，编写出相应的确matlab代码。
（4）用求出的分离矩阵从混合信号中分离出原语音信号，并画出各分离信号的时域波形和频谱图。
（5）对结果进行对比分析。
时间安排：理论设计：2天编程仿真：2天撰写报告：2天答辩： 1天目录摘要 (I)Abstract .................................................................................................................. I I 1 绪论.. (1)1.1研究背景与意义 (1)1.2盲源分离的国内外研究进展 (1)1.2.1线性瞬时混合信号 (1)1.2.2非线性瞬时混合信号 (2)2 语音信号的分析 (4)2.1语音信号时域分析 (4)2.2语音信号频域分析 (5)2.3语音信号的MATLAB应用程序 (5)2.3.1输入语言的MATLBA时域和频谱图程序分析 (5)3 盲分离的基本概念 (14)3.1 盲分离的数学模型 (14)3.2 盲源分离的基本方法 (14)3.3 盲分离的目标准则 (16)3.4 盲分离的研究领域 (17)3.5 盲分离的研究内容 (19)4 FastICA算法 (20)4.1 数据的预处理 (20)4.2 FastICA算法 (21)4.3 分离后的信号的时域和频谱图 (24)4.4对比分析 (26)5 小结 (27)参考文献 (28)附件整体程序 (29)摘要语音信号的分离近年来成为信号处理领域的一个研究热点，它在电话会议、助听器及便携设备、机器的语音识别方面有很多的应用与影响。
ica算法分离信号的代码中文解释
ICA算法是一种用于分离混合信号的计算机算法。
它是一种盲源分离方法，可以在不知道混合信号的确切成分的情况下，将混合信号解耦为原始信号。
ICA算法在信号处理、机器学习、神经科学和医学图像处理等领域有着广泛的应用。
在介绍ICA算法的代码实现之前，让我们先来理解一下ICA算法是如何工作的。
ICA算法的核心思想是找到一个转换矩阵，使得混合信号经过这个转换后能够被分离成相互独立的原始信号。
ICA算法的目标是找到一个矩阵，使得原始信号经过这个矩阵的线性变换后，各个维度上的信号能够相互独立。
这个转换矩阵可以通过最大化信号的非高斯性来进行估计，从而实现信号的盲分离。
现在让我们来看一下ICA算法的代码实现。
以下是一个简单的Python代码示例，用于演示如何使用sklearn库中的FastICA模块来实现ICA算法的信号分离。
# 导入所需的库import numpy as npfrom sklearn.decomposition import FastICAimport soundfile as sf# 读取混合信号数据data, sr = sf.read('mixed_signal.wav')# 初始化FastICA模型ica = FastICA(n_components=3)# 对混合信号进行ICA分离S_ = ica.fit_transform(data)# 计算混合矩阵A_ = ica.mixing_# 保存分离后的信号for i in range(3):sf.write('separated_signal_{}.wav'.format(i), S_[:, i], sr)在这段代码中，首先我们使用soundfile库来读取混合信号的数据。
我们初始化FastICA模型，并通过fit_transform方法对混合信号进行分离，得到分离后的信号数据。
我们将分离后的信号保存为.wav文件。
盲源分离之极大似然ICA算法
极大似然独立成分分析算法一、似然度极大似然估计可以解释为：采纳那些使观测向量具有最大概率的估计参数值。
设()x p x ∧是对观测向量x 的概率密度()x p x 的估计，源信号的概率密度函数为()s p s ，根据线性变换下两个概率密度函数之间的关系，观测数据x 的概率密度函数的估计()x p x ∧与源信号概率密度函数()s p s 满足1()()det s x p A x p x A-∧=对于给定的模型，观测数据x 的似然函数是模型参数A 的函数，定义为{}1222()log ()()log ()log det x x s L A E p x p x p A x dx A ∧-==-⎰当模型参数为分离矩阵1W A -=时，对数似然函数为{}2211()log (())log det Ts t L W p Wx t W T =≈+∑式中，T 为独立同分布观测数据的样本数，最大化此似然函数就可获得关于参数W 的最优估计。
二、Infomax 算法Infomax 算法即为信息传输极大化算法。
图1 Infomax 算法框图由图1可知，Infomax 算法是一种基于信息论的前向反馈自组织神经网络的算法，其中x 为多路观测信号向量，它是由n 个独立源线性混合而成，网络输出u Wx =是对真实源s 的逼近。
12()((),(),,())T n g g g g ∙=∙∙∙为可逆单调非线性函数，非线性输出为12(,,,)T n y y y y =。
独立性判据为最大信息传输准则，即通过对分离矩阵W (神经网络的连接权值矩阵)的调整寻找优化的W ，使网络输出y 和输入x 之间的互信息(;)I x y 达到最大。
由信息论可知(;)()(|)I x y H y H y x =-式中，()H y 为网络联合输出熵；(|)H y x 为输出的条件熵。
若系统存在噪声N ，即()()y g u N g Wx N =+=+，有(|)()H y x H N =，则上式可表示为(;)()()I x y H y H N =-于是，y 和x 之间的互信息(;)I x y 最大等价于网络联合输出熵()H y 最大(噪声N 与系统无关)。
盲源分离(ICA)
三、分离算法
▪ 负熵：信息论中的“熵” 是随机变量的随机性越大，熵就越大，高斯变量是所有等 方差的随机变量中熵最大的。负熵是任意随机变量与高斯随机变量之间的相对熵， 定义如下：
J[p(y)]值越大表示它距离高斯分布越远，可用来作为非高斯性的度量。
第九页，共29页。
三、分离算法
（2）互信息极小化准则（Minimization of Mutual Information, MMI） ▪ 当 y中各分量统计独立时，互信息 I ( y ) =0，互信息定义如下：
▪ 这一过程又称为独立分量分析(Independent Component Analysis-ICA)。
▪ 如果考虑到时间延迟对观测信号的影响，那么观测到的信号应该是源信号和通
道的卷积，对卷积混迭信号进行盲分离通常被称为盲反卷积（Blind Deconvolusion）。
第二页，共29页。
二、数学模型
正交化步骤，把已提取过的分量去掉。由于 U 是正交归一阵，所以可采用
Gram-schmidt正交分解法来实现。
第二十三页，共29页。
三、分离算法
▪ 基于负熵的， 提取多个源信号的固定点算法步骤如下：
第二十四页，共29页。
四、仿真结果
第二十五页，共29页。
四、仿真结果
源信号只含一个随机噪声分离后得到的波形图
▪ 自适应算法
▪ 常规的随机梯度法
▪ 自然梯度与相对梯度法 ▪ 扩展的Infomax法 ▪ 非线性PCA的自适应算法
▪ 逐次提取法
▪ 梯度算法 ▪ 固定点算法（Fixed-point algorithm）
第十六页，共29页。
三、分离算法
（三）快速独立分量分析 （a Fast algorithm of Independent Component Analysis,
盲源信号分离算法研究及应用
生物医学信号处理
盲源信号分离算法可以用来提取脑电信号 、心电信号等生物医学信号中的特征信息 ，为疾病诊断和治疗提供支持。
音频和音乐处理
盲源信号分离算法可以用来提取音频和音 乐信号中的特征信息，实现音频和音乐的 分类、识别和推荐等应用。
06
总结与展望
总结
盲源信号分离算法的 原理和应用
盲源信号分离是一种无监督的学习算 法，它利用混合信号的统计独立性， 通过学习混合矩阵，将源信号进行分 离。该算法在语音信号处理、生物医 学信号处理、通信信号处理等领域具 有广泛的应用前景。
基于循环相关的盲源信号分离算法流程
输入混合信号
将多个源信号混合成一个观测信号。
计算循环相关
计算观测信号与源信号之间的循环相关函 数。
盲源分离
利用循环相关函数的信息，通过算法实现 盲源分离。
输出分离信号
得到分离后的源信号。
基于循环相关的盲源信号分离算法的优缺点
优点
基于循环相关的盲源信号分离算法具有对源信号的稀疏性要求较低的优点，适用于实际应用场景中源 信号数目较多且相互之间存在循环相似性的情况。
基于高阶累积量的盲源信号分离算法的优缺点
• 基于高阶累积量的盲源信号分离算法的优点包括 • 适用于非高斯和非线性信号的处理。 • 可以有效地从混合信号中提取出源信号。 • 在处理过程中，不需要任何关于源信号或混合过程的先验信息。 • 其缺点包括 • 高阶累积量的计算复杂度较高，需要大量的数据和计算资源。 • 在某些情况下，可能会出现过度拟合或欠拟合的问题，需要仔细调整
盲源信号分离算法研究及应 用
2023-10-28
目录
• 盲源信号分离算法概述 • 基于独立成分分析的盲源信号分离算法 • 基于高阶累积量的盲源信号分离算法 • 基于循环相关的盲源信号分离算法 • 盲源信号分离算法在通信系统中的应用 • 总结与展望
语音信号的盲分离(毛丽娟)
课程设计任务书学生姓名：毛丽娟专业班级：通信0906指导教师：黄铮工作单位：信息工程学院题目: 语音信号的盲分离初始条件①matlab软件②盲信号处理知识要求完成的主要任务:根据盲信号分离原理，用matlab采集两路以上的语音信号，选择合适的混合矩阵生成若干混合信号。
选取合适的盲信号分离算法（如独立成分分析ICA等）进行训练学习，求出分离矩阵和分离后的语音信号。
设计要求（1）用matlab做出采样之后语音信号的时域和频域波形图（2）选择合适的混合矩阵，得到混合信号，并做出其时域波形和频谱图（3）采用混合声音信号进行训练学习，求出分离矩阵，编写出相应的确matlab 代码。
（4）用求出的分离矩阵从混合信号中分离出原语音信号，并画出各分离信号的时域波形和频谱图。
（5）对结果进行对比分析。
时间安排第17周，仿真设计第18周，完成（答辩，提交报告，演示）指导教师签名：年月日系主任（或责任教师）签名：年月日目录摘要 (3)Abstract (4)1 语音信号 (5)1.1 语音特性分析 (5)1.2 语音信号的基本特征 (6)2 盲信号处理 (8)2.1 盲信号处理的概述 (8)2.1.1 盲信号处理的基本概念 (8)2.1.2 盲信号处理的方法和分类 (9)2.1.3 盲信号处理技术的研究应用 (9)2.2 盲源分离法 (10)2.2.1 盲源分离技术 (10)2.2.2 盲分离算法实现 (10)2.3 独立成分分析 (11)2.3.1 独立成分分析的定义 (11)2.3.2 ICA的基本原理 (13)3 语音信号盲分离的实现 (15)3.1 盲信号分离的三种算法 (15)3.1.1 二阶盲辨识（SOBI） (15)3.1.2 FastICA算法 (15)3.1.3 CICA算法 (16)3.2 不同算法的分离性能比较 (17)3.3 FastlCA的算法仿真及结果分析 (17)4 结论 (22)5 参考文献 (23)附录 (24)摘要语音信号盲分离处理的含义是指利用BSS技术对麦克风检测到的一段语音信号进行处理。