一、研究背景及意义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。
而语音信号常使用盲信号处理的方法分离。
盲信号处理(Blind Source Processing)作为一种新兴的信号处理方法，逐步发展并得到了越来越多的关注。
盲信号处理与现代信号处理朝向非平稳、非高斯、非线性的发展方向相吻合，有利于复杂信号的分析以及处理，其研究对象主要为非高斯信号。
它在传统信号处理方法的基础上结合了信息论、统计学和人工神经网络的相关思想。
如图1所示，所谓的“盲分离”是指在没有关于源信号本身以及传输信道的知识，对数据及系统参数没有太多先验知识的假设的情况下，如何从混迭信号(观测信号)中分离出各源信号的过程。
它能适用于更广泛的环境，为许多受限于传统信号处理方法的实际问题提供了崭新的思路。
图1 盲分离的概念在科学研究和工程应用中，很多观测信号都可以假设成是不可见的源信号的混合，如通信信号、图像、生物医学信号、雷达信号等等。
例如经典的“鸡尾酒会”问题，在一个充满宾客的宴会厅里，我们每个人都会听到来自不同地方的声音，如音乐，歌声及说话声等，正常的人类拥有在这种嘈杂环境下捕捉到所感兴趣的语音的能力。
可以看到，盲信号处理同传统信号处理方法最大的不同就在于用它致力于用最少的信息得到理想的处理结果。
盲信号分离可以有不同的分类方法。
根据所处理信号的不同，可以分为声纳信号盲分离，雷达信号盲分离，通信信号盲分离，语音信号盲分离，脑电信号盲分离等。
根据盲处理领域的不同，可以分为时域盲分离和频域盲分离。
根据传输信道的情况，可以分为无噪声，有加性噪声，有乘性噪声等。
根据源信号在传输信道中被混合方式的不同，可以分为瞬时混合，卷积混合，非线性混合等。
根据源信号和观测信号数目的不同，可以分为正定盲分离，欠定盲分离，过定盲分离等。
本文研究的主要内容是正定不含噪的卷积混合语音信号的频域盲分离方法。
总的来说，盲信号分离是一种仅利用观测到的混合信号来估计源信号的方法，它是以独立分量分析(Independent Component Analysis,ICA)为理论基础的。
与传统信号处理方法如FIR 滤波，小波分析等不同的是，它不要求有关于源信号本身以及信号传输通道的知识。
受益于这种“盲”的条件，盲信号分离对多个领域有很大的促进作用，特别是它在声纳、雷达、通信、语音、图像等方面的应用对军事，国防科技的发展起着非常重要的作用。
近十多年来，各国学者在盲信号分离领域展开了深入的研究，有了一系列的成果。
本课题就是在这样的背景下对语音信号进行盲分离的研究，以探索新的算法，新的应用。
二、研究的基本内容，拟解决的主要问题1.研究的基本内容本课题详细研究语音分离的基本理论，重点研究卷积混合频域解法模型框架下的语音信号分离算法。
基于时域实值瞬时混合模型的盲分离算法已经研究的比较充分，但是在语音信号在现实中往往是卷积混合，而且在频域分离方法中信号是复值的，本文将研究利用复值信号特征的瞬时混合盲分离算法，对不同的复数域盲分离算法进行了编程实现，并且研究卷积混合模型频域盲分离中的次序不定问题，提出一种基于分离矩阵初始化的次序对准算法，并通过实验进行了性能比较和分析。
卷积混合语音信号的频域盲分离算法的主要思想是利用傅立叶变换将混合模型在时域中复杂的卷积运算转换成频域当中相对简单的乘法运算，把时域中的卷积混合问题简化成为在频域中每一个频点上的瞬时混合分离问题。
这样就可以运用目前已经发展相对比较成熟的瞬时盲分离算法，解出各频点的分离矩阵，再用傅立叶反变换，就可以方便地得到时域的解卷积滤波器，从而恢复出源信号。
2.拟解决的主要问题频域盲分离算法存在两个问题：第一，在盲分离中有着幅值的不确定性，它会使在各个频段分离的信号在频域上的幅值有偏差，导致信号频谱的变形。
第二，盲分离中次序的不确定性会导致在各个频段分离出的信号不能正确的连接在一起，使得分离失败。
不确定性是盲分离算法的固有问题，其对于时域信号而言并不会严重的影响到分离结果。
但对于频域信号来说，在完成每个频率点的盲分离后，直接对各个频率点的分离矩阵进行逆傅立叶变换，不能够保证每个输出通道对应着同一个源信号的成分，很有可能夹杂了其它信号，从而使解卷积失败。
解决次序不确定的方法又被称为次序对准算法。
本课题将研究相关系数法和波达估计法，并编程实现波达估计法的次序对准算法，对波达估计法的性能以及其对最终分离结果的影响进行分析。
频域盲分离的次序不定是一个棘手的问题，本课题还会介绍利用信号频域相依性的新的频域盲分离模型，其理论上可以从本质上回避次序不定问题。
三、研究步骤及方法本课题旨在研究基于独立分量分析的盲信号分离理论以及其在卷积混合语音信号盲分离等方面的应用。
围绕这个主题，本课题的研究步骤及方法安排如下：1，研究瞬时混合信号盲分离的基本概念和模型，研究和分析几种重要的瞬时混合盲分离算法，并通过实验进行仿真与性能分析。
瞬时混合信号盲分离的模型基本等同于线性ICA 的基本模型，即：（3-1）其中，是统计独立的不同源信号，而是由其线性组合再加上噪音。
2.研究卷积混合频域盲分离的模型，将卷积混合盲分离转变为频域中的瞬时混合盲分离。
首先利用傅立叶变换将混合模型在时域中复杂的卷积运算转换成频域当中相对简单的乘法运算，把时域中的卷积混合问题简化成为在频域中每一个频点上的瞬时混合分离问题。
然后运用瞬时盲分离算法，解出各频点的分离矩阵，再用傅立叶反变换，得到时域的解卷积滤波器，从而恢复出源信号。
3.研究算法中的幅值不确定性和次序不确定性问题。
频域情况对不确定性的数学描述如下：（3-2）其中，D为对角矩阵，P是置换矩阵，当我们用盲分离算法对观测信号首先进行初步分离后，可以得到对于一个求得的分离矩阵W( f )。
对于幅值不确定性，通过对W f )矩阵的范数归一来解决。
利用相关性参数法和波达估计法解决次序不定性问题。
给出一种基于分离矩阵初始化的次序不定解法框架。
最后通过实验进行不同算法的比较和分析，并完成二路语音信号的分离。
四、研究工作进度第1—3周：收集资料，熟悉课题内容，查找参考书，确定设计思路；第4—7周：高级语言学习及程序设计中使用的算法的理解和熟悉；第8—11周：编制处理程序，并上机进行软件程序调试和优化；第12—14周：实验结果整理及其总结；第15—17周：论文书写，课题总结，准备答辩。
五、主要参考文献[1] A. Cichocki, S.Amari, Adaptive Blind Signal Image Processing: Learning Algorithm and Application, John Wiley & Sons, 2002.[2] Simon Haykin, Unsupervised Adaptive Filtering; John Willey & Sons, 2000.[3] A. Hyvärinen, J. Karhunen, E. Oja, Independent Component Analysis, John Wiley & Sons, 2001.[4] J. Benesty, S. Makino, J. Chen, Speech Enhancement, Springer, 2005.[5] Simon Haykin, Zhe Chen, “The Cocktail Party Problem”, Neural Computation, 2005．[6] Jutten C., Herault J,, “Blind separation of source, part I: An adaptive algorithm based on neuromimetic architecture”, Signal Processing, 1991.[7] J. F. Cardoso and A. Souloumiac, “Blind beamforming fornon-Gaussian signals,” Proc. Inst. Elect. ,1993.[8] Pierre Comon, “Independent component analysis, A new concept?”, Signal Processing, 1994.[9] A. Hyvärinen, E. Oja, “A fast fixed-point algorithm for independent component analysis”, Neural Computation, 1997.[10] Platt C., Faggin F., “Networks for the separation of sources that are superimposed and delayed”,Advances in Neural Information Processing System, 1991.[11] D. Yellin and E.Weinstein, “Mult ichannel signal separation: Methods and analysis”, IEEE Trans. On Signal Processing, 1996. [12] Thi H N., Jutten C., “Blind source separation for convolutive mixtures”, Signal Processing, 1995.[13] Tokkola K., “Blind separation of delayed sources based oninformation maximization”, in Proc of ICASSP, 1996.[14] 杨福生，洪波，独立分量分析的原理与应用，北京，清华大学出版社，2006。
[15] 杨行峻等，人工神经网络与盲信号处理，北京，清华大学出版社，2003。
[16] 张贤达，时间序列分析：高阶统计量方法，北京，清华大学出版社，1996。
[17] 杨绿溪，何振亚等，“线性Infomax 自组织算法的性能分析”，数据采集与处理，1998。
[18] 刘琚，梅良模等，“一种基于非平稳特性的前馈神经网络盲源分离方法”，山东大学学报，19993。
[19] 冯大政，史维祥，“一种自适应信号盲分离和盲辨识的有效算法”，西安交通大学学报，1998。
[20] 刘鹏，“基于独立分量分析的语音信号分离算法研究”，上海交通大学，2008。